移动智能终端以及物联网等技术的迅速发展,使互联网进入了一个大数据时代。推荐系统能从信息过载的网络中筛选出与用户相关的有用信息,进而提供个性化推荐服务。将推荐系统与云计算技术结合能使得系统效率更高,但推荐系统实现推荐功能是基于对用户数据的收集和分析,若将数据外包给半可信的云服务器计算,则会涉及到隐私泄露风险以及云服务器是否正确执行计算的问题,所以用户需要对数据加密并对云计算结果进行验证。那么,如何设计安全高效可验证的推荐方案就成了推荐系统研究的重点。本文主要研究内容如下:1.本文提出了一个隐私保护车载网道路路况推测方案。方案采用公钥加密方法对车辆身份和位置同时加密,而不对监测数据加密,从而在保证车辆身份隐私以及数据位置隐私的同时也免除了对监测数据加密所产生的计算开销。方案中云服务器在线下进行复杂度高的道路历史路况相似度协同过滤计算,线上只需要对当前车辆监测数据做简单计算,所以有助于提高线上路况推测效率。2.本文提出了一个高效可验证的隐私保护推荐方案。方案通过将对称全同态映射加密方法与混淆电路技术相结合,实现在不泄露用户数据隐私的前提下对用户的大量数据做回归计算以实现推荐的目的,并使得用户在加解密过程中的计算以及通信开销最小化,且用户能对计算结果的正确性进行验证。3.本文将推荐技术与云计算技术以及加密技术相结合,提出了一种由用户端、云端、第三方机构组成的安全高效的推荐系统三方计算模型。模型能满足用户端对数据的安全性要求,且能减少用户端的计算开销,使得系统推荐效率提高。