大数据时代下如何从海量数据中获取有价值的信息已成为企业赢得竞争优势的关键。聚类是大数据分析中的常用技术,K-prototype则是针对混合型数据的经典聚类算法,它的原理简单且效果高效,已被广泛应用于多个领域。然而,K-prototype算法所用到的数据通常包含敏感信息,如果这些数据被恶意使用,将会严重威胁用户隐私安全。为保护聚类数据中的用户隐私,当前主要采用基于可信第三方隐私保护模型,但现实中很难找到绝对可靠的第三方。本地差分隐私（Local Different Privacy,LDP）是近些年发展起来的新型隐私保护技术,它通过在用户端对数据进行扰动,实现了去中心化的隐私保护。本地差分隐私虽然可以有效应对第三方隐私泄露问题,但将它直接应用于聚类分析数据隐私保护时,由于存在聚类质心迭代过程,噪声干扰会被放大,进而影响聚类质量。针对上述问题,本文研究了如何在满足本地差分隐私保护前提下保证聚类结果的质量,及其在基于聚类的协同过滤推荐场景下的应用,主要有以下两个方面:（1）针对传统聚类数据隐私保护模型依赖可信第三方的问题,提出了一种基于本地差分隐私的K-prototype聚类方法（LDPK）。该方法使用本地差分隐私在用户端扰动数据并将其发送给服务端,之后通过服务器和用户之间的交互迭代完成聚类。LDPK在实现去中心化隐私保护的前提下,避免了直接根据扰动数据对用户进行聚类会进一步放大噪声影响的问题,保证了聚类结果的质量。（2）针对基于聚类的协同过滤推荐机制存在泄露用户数据问题,提出了一种基于LDPK机制的协同过滤推荐模型。用户首先与服务器通过LDPK机制完成聚类,然后服务器为每个簇分配一个推荐服务器,最后由推荐服务器完成对应用户的数据收集与结果推荐。该模型中用户数据按照分簇结果存放在不同的推荐服务器,消除了传统推荐模型中服务器存在的泄露全部用户数据风险,提高了用户数据的隐私性。