关联规则挖掘是数据挖掘研究范畴的一个重要研究领域,其目的是找出数据集中不同项目之间的关联性,它在销售、医疗等领域有着广泛的运用。当数据集中含有隐私信息时,关联规则挖掘可能会泄露数据集中用户的隐私信息,因此需对关联规则挖掘过程或结果进行必要的隐私保护。与传统的隐私保护模型相比,差分隐私保护模型具有更好的隐私保护效果,在有效保护隐私的同时,挖掘结果的可用性也更高。针对SmartTrunc算法中存在的传播误差问题,提出了两种满足差分隐私的关联规则挖掘算法(LMS和EMS)来保护数据集中用户的隐私信息。LMS算法利用拉普拉斯噪音扰动候选集的真实支持度计数,并根据噪音支持度计数选出项集作为频繁项集。EMS算法利用指数机制从候选集中随机选择项集作为频繁项集,并用拉普拉斯噪音扰动选出的项集。结合实例分析讨论了两种方法保护用户隐私的原理。并结合实验分析和验证了两个算法的隐私性和可用性,算法在保护数据隐私的前提下,挖掘结果的准确性也很高。