网络信息随着互联网范围的不断扩张而迅速膨胀,如今世界信息的累积数量已经达到ZB级别同时仍然在不断的累积。推荐系统从海量的信息中挖掘出用户偏好兴趣信息,通过分析用户的潜在信息了解其个性化需求并做出行之有效的推荐服务。然而,随着数据开放程度的不断深化,推荐系统利用大量用户数据进行协同过滤,会给用户的个人隐私带来相当大的风险,在实施推荐服务向用户推荐相关信息时,会危及到用户的某些私密信息和安全问题。用户的隐私保护逐渐制约了推荐系统的快速发展,成为推荐领域亟待解决的问题。差分隐私作为一种新颖的定量分析隐私保护技术,提供了有力的防止隐私泄露的证明。针对传统的推荐系统中信息隐私保护的安全性和可用性不足,本文对差分隐私技术、数据发布技术以及基于位置推荐引擎中的应用进行了研究,主要工作为:(1)提出一种满足差分约束的基于压缩感知的发布模型。首先利用矩阵分解的方法构建测量矩阵对原始数据集进行降维处理,有效的缓解了数据高维稀疏;然后通过噪声扰动对测量向量添加噪声;最后应用基于正交匹配追踪的构建算法进行数据逆向恢复。(2)在面向交互式的推荐场景之中,首先基于矩阵分解建立项目的低维模型;然后,采用目标扰动函数通过随机梯度下降算法最小化平方误差训练模型中的参数;在优化过程中向用户特征矩阵引入噪声最终获取项目的发布模型;之后,基于MovieLens、Netflix进行了差分隐私矩阵分解模型的实验验证及有效性预测评价。(3)结合具体的位置推荐应用,通过采用DBSCAN算法进行兴趣区域聚类分解,基于位置子空间方法减少了差分噪声的总体添加量;将用户签到频率融入到用户相似度计算中,挖掘用户的位置分享隐私偏好,同时预测用户的行为。在Gowalla上进行了具体的推荐服务,结果表明该模型在满足差分约束的同时具有良好推荐效果。