随着互联网技术的快速发展,数据挖掘技术广泛应用于社交网络、医疗机构和教育系统等行业中。大数据时代每天产生的海量数据使数据挖掘成为一种热门技术。其中频繁模式挖掘作为数据挖掘领域的一个重要研究课题,为关联规则分析、分类及聚类奠定了基础。频繁项集挖掘作为其具体形式之一可以为推荐系统、个性化网站及顾客购物习惯分析等应用提供帮助。然而,频繁项集本身含有敏感数据,直接发布会给个人隐私带来相当大的风险。差分隐私是一种强健的隐私保护模型,由于它本身所具有的优势使其应用到众多领域中。本课题主要研究在差分隐私保护机制下,通过权衡数据隐私性与数据可用性的同时来进行频繁项集挖掘。由此本文提出了一种满足差分隐私保护机制的频繁项集挖掘算法HPU(High Privacy-Utility algorithm),其算法力求保障数据的高可用性与强隐私性。基于这个目标,研究内容分为三个阶段:原始数据集预处理阶段、最大频繁项集挖掘阶段和数据加噪及一致化处理阶段。在原始数据集预处理阶段,先对数据集进行降维,然后采用截断数据记录长度的方法来降低敏感度,进而减少所添加的噪音;在最大频繁项集挖掘阶段,HPU基于树结构来直接寻找最大频繁项集,目的是减少不必要的隐私预算;在数据加噪及一致化处理阶段,采用拉普拉斯机制加入噪声及一致化约束算法来保证加噪后的数据与真实数据尽可能保持相同的分布顺序,以此来提高结果精确度。接着本文用理论分析证明了 HPU算法满足s-差分隐私保护。最后的实验结果表明HPU算法的性能表现总体优于传统的TF算法和PrivBasis算法。