随着信息技术的发展和网络生活的社交化,网络中数据量急速增长,用户如何在庞大的网络数据中找到所需资源变得尤为重要。推荐系统正是为解决此类问题而生,它不仅可以提高用户忠诚度、满意度,同时具有潜在商业价值。个性化推荐系统在给用户提供便捷的同时,也带来了个人隐私安全问题。高效准确的推荐系统要求掌握大量且准确的个性化信息,但在用户信息采集时,并不是都得到用户的主动许可的。随着自我保护意识的增强,用户越来越关心自身隐私安全。当用户发现自己的搜索历史被别人发现并利用或频繁接收到垃圾广告推送等诸多现象时,就会引发对个性化推荐的反感和不信任。因此,解决好社交网络推荐系统中的安全问题,有利于推荐系统的推广和发展。针对以上问题,本文在前人研究基础上将匿名隐私保护融入推荐环节,优化常规推荐算法,提出“基于节点分割隐私保护的组合推荐系统”(NAPPHRS),使其既能有效保护用户信息,又能获得较好的推荐结果。本文主要研究工作及成果如下:(一)综述了个性化推荐技术、隐私保护技术和推荐系统隐私保护技术的研究现状,指出推荐系统需要进一步解决和研究的问题,即用户隐私泄露问题。(二)对社交网络的相关概念和社交网络中安全问题进行阐述,介绍了社交网络中个性化服务隐私保护技术的种类和原理,为后文提出基于节点分割的属性隐私保护算法做铺垫。(三)融合匿名保护和协同过滤组合推荐算法,设计了“基于节点分割隐私保护的组合推荐系统”(简称NAPPHRS)。通过仿真实验对其可行性和有效性进行验证。实验结果表明本文提出的系统能够匿名用户信息和属性,提升推荐系统安全性;并且能取得较好个性化推荐结果。本文的创新点在于:(一)考虑到社交网络用户属性分布具有相关性,提出了基于属性分割的节点分割算法,分割过程尽可能地保持属性分布的相关性特征,提高了具有隐私属性的用户节点的匿名性。(二)将基于节点分割的隐私保护算法融合到个性化推荐过程中,实现了个性化推荐过程中的隐私保护,很好地实现了本文的初衷。(三)采用组合推荐,在一定程度上消弱了数据可用性降低给推荐系统造成的影响,推荐结果较为理想。