随着大数据时代的发展,数据开放成为实现数据利用和创新应用的基础,政府数据开放是实现政府数据价值的关键。与此同时,公众、企业及其他组织机构对开放政府数据的需求日益增加。而政府数据开放中存在着各种隐私问题以及不同程度的隐私泄露风险,进而影响政府部门开放数据。故如何能在保障公民隐私的前提下促进政府数据开放,保证数据质量,提高数据利用率进而实现数据价值成为数据开放过程中的一个挑战性问题。对于如何促进政府开放数据利用及满足政府数据开放中的隐私保护需求,主要完成了以下工作:(1)分析了政府数据开放中存在的隐私泄露风险,并对政府开放数据利用率低的现象和原因进行了研究,提出了一种基于需求与隐私风险的政府数据开放模式。结合隐私保护思想,构建了基于政务云的隐私保护政府数据开放框架。阐述了框架中数据源层、政务云层和用户层的功能及作用,对提出的开放框架下政府数据开放的优势进行了分析,并设计了各开放模式下的政府数据开放流程。(2)为了解决政府数据开放中多维敏感属性数据的隐私泄露问题,设计了基于最大加权联合敏感度桶优先算法(MWJSBF)。针对多敏感属性数据,首先利用数据记录准标识符属性值间的相似度对数据集进行划分。针对分类属性,本文基于信息熵度量记录相似度的方法计算各属性对相似度的权值,进而计算出数据记录间的相似度,并利用基于Map Reduce的Canopy-Kmeans聚类算法实现数据的高效划分;其次,利用粗糙集和属性依赖度对敏感属性进行分类;然后,将每个聚类子表划分为准标识符属性表和敏感属性表,基于联合敏感度构建多维桶结构并计算加权选择度,进行分组直到满足多敏感属性L-多样性;最后对准标识符属性进行泛化处理。通过与MBF和MMDCF算法进行实验比较,表明本文所提方法能有效降低数据隐匿率和附加信息损失度,提高开放数据可用性。(3)运用博弈论和纳什均衡理论,优化了基于t-closeness的多敏感属性隐私保护算法的参数设置。依据本文提出的定向开放模式与按需开放模式下的申请开放流程构建了一个政府部门和数据用户间的动态博弈模型,并分析设计了博弈双方的效用函数,在此基础上对博弈模型进行了均衡求解。最后将其应用到基于t-closeness的多敏感属性隐私保护模型中,改进了原模型中的参数设置问题,在保障数据提供方和数据需求方利益的前提下,实现隐私保护程度和数据可用性的平衡。