互联网的快速兴起使网络信息大幅膨胀,用户在面对海量信息时往往不能选出心仪商品。此时,协同过滤推荐算法应运而出,该算法可以根据用户行为跟商品属性数据为用户进行个性化推荐,但是利用的用户和商品信息则存在着暴露隐私的风险。差分隐私技术是近些年热门的隐私保护技术,有着高隐私保护效率和安全性可证的特点,在数据发布、数据挖掘等领域广为应用,同时也为协同过滤推荐算法中的隐私风险提供了有效的解决方案。因此,协同过滤推荐算法的差分隐私保护研究十分有意义。当前的研究中,还存在着几方面问题,如在协同过滤算法中应用差分隐私,由于引入了大量的噪声,破坏了数据的可用性,导致推荐准确性与推荐的质量不佳,没有处理好隐私性和效用的平衡;目前具有隐私保护效果的协同过滤推荐算法的研究中,更注重于将差分隐私应用于协同过滤上的方式,而忽略了推荐算法性能问题等。针对这些问题,设计了两种协同过滤隐私保护方案。在推荐系统作为云服务器,需要共享用户信息进行推荐的场景下,更能凸显本文方案的应用价值。其主要的贡献如下:（1）针对现有隐私保护推荐算法推荐性能不佳的问题,设计了一种基于Bhattacharyya系数聚类的差分隐私协同过滤算法（BCDPCF,Bhattacharyya coefficient Clustering based Differential Privacy Collaborative Filtering）,该算法首先利用聚类对数据进行预处理,将相似的项目分类,使其能够降低指数机制带来的噪音,从而保证在高隐私程度下也能保证算法性能。其次,利用Bhattacharyya系数（BC）衡量项目间的相似性,能不局限于共同评分项,更全面的利用评分数据,提高评分数据的利用率。再次,相比于传统聚类使用几何距离,本文将BC作为K-medoids聚类的度量标准,在高维高稀疏的推荐场景下性能更优,因为BC相似性计算的是评分概率分布的相似性,能够保证聚类的准确性。（2）设计了一种基于差分遗传算法的协同过滤推荐方案。该方案利用遗传算法去自适应的寻找邻居。并且在遗传算法中的选择算子中应用指数机制,构建目标函数。同时,该方案还引入了线性机制对目标函数进行变换,使算法的敏感度可控。算法对邻居集进行优化和扰动,使最后生成的邻居集满足差分隐私。由于遗传算法时一种启发式优化算法,能够自适应的找到对于每个用户最合适的邻居,并且因为遗传算法本身具有一定的随机性,因此,差分隐私的引入不会大幅影响最后运算结果,从而保证算法的推荐质量。