推荐系统的发展离不开大规模高质量的数据,多家相关企业往往会以数据直接共享的方式提升推荐系统效果。但随着用户数据隐私意识的提高和数据保护法规的完善,多方参与的推荐系统的数据隐私安全问题受到越来越多的关注。本文针对多方参与的推荐系统的数据隐私保护存在的问题,利用联邦学习技术提出了一种高效的基于纵向联邦学习的推荐系统,在提高多方参与的推荐系统数据隐私安全性的同时也极大的降低了引入隐私保护技术的代价。本文首先从多方参与的推荐系统的数据共享方式着手,对参与方数据隐私安全问题进行了建模分析,进而引入纵向联邦学习技术来提高多方参与的推荐系统的数据隐私安全性。然后又对上述方法的运行效率进行了研究,提出了基本异步化纵向联邦学习（Base-Asynchronous Vertical Federated Learning,Base-AVFL）方法。本文分析了Base-AVFL 方法产生模型效果下降原因,又进一步的提出了基于预测因子补偿的异步纵向联邦学习（Predictor Compensation Asynchronous Vertical Federated Learning,PC-AVFL）方法,该方法能够在保证数据安全性和推荐精度不损失的前提下缩短训练时间。针对系统中存在的通信效率低下的问题,本文利用中间数据的近似稀疏性,提出了双端稀疏压缩（Double End Sparse Com-pression,DESC）方法对参与者间通信数据进行压缩。结合上述两个方法,本文最终提出了 PC-AVFL-DESC方法下的基于纵向联邦学习的推荐系统。本文又以中心化推荐系统为基础,对基于纵向联邦学习的推荐系统进行了重新设计,并对上述系统进行了测试平台环境的构建和软件工程的实现。最后,本文在两个公开的推荐数据集和三种基础的推荐模型上进行了对比实验。实验结果表明,本文提出的PC-AVFL-DESC方法下的基于纵向联邦学习的推荐系统在保证了参与方数据安全的同时,在MSE、AUC与F1评价下其与中心化方法相比,最大的效果影响仅为1.98%。而与基于同步纵向联邦学习（Syn-chronous Vertical Federation Learning,SVFL）的方法相比,本文提出的PC-AVFL-DESC方法将系统的平均收敛时间缩短了35.11%,通信量减少了76.14%。以上实验结果充分证明了本文工作的实用性与有效性。