随着信息技术的发展,各种电子设备所产生的海量数据中蕴含着巨大的价值信息,例如医疗机构的患者诊断信息,银行机构的客户信息等。聚类分析作为一种典型的无监督数据挖掘方法,可以从海量数据中挖掘未知知识和潜在价值。然而在挖掘有用信息的同时,可能会泄漏数据中的个人隐私信息,为此隐私保护技术应运而生。差分隐私作为一种新型而且严格数学证明的数据失真技术,因无需关注攻击者所拥有的背景知识,近年来得到广泛研究。将差分隐私噪声引入到聚类分析过程中,可以很好地保护敏感数据,防止隐私泄露,然而噪声扰动会导致聚类结果可用性的降低。因此,如何在保护敏感数据的同时,提高聚类算法的可用性,是目前尚需解决的问题。差分隐私k-means聚类算法通过在每轮迭代中发布簇中心的估计值来满足差分隐私,有效避免了隐私泄露。然而,扰动簇中心会带来随机性误差,从而偏离真实簇中心,导致最终聚类效果较差。针对此问题,本文提出支持差分隐私保护的HADPK-means++聚类算法（A Highly Available Differential Privacy Kmeans++Clustering Algorithm,HADPK-means++）。首先,对于初始中心选择的敏感问题,提出一种基于逆序排序的初始中心选择算法,使得初始中心选择更加的稳定和准确。其次,对于噪声扰动带来的随机误差影响,提出一种基于簇内和簇间相似度的相似度度量方法,使得划分簇更加的准确。最后,基于差分隐私的变换不变性,提出一种解决簇中心偏离问题的簇中心修正机制,防止所有样本被划分到同一个簇中的极端情况。对比实验表明,本文所提算法的聚类可用性在同等隐私保护水平下高于现有的差分隐私k-means聚类算法。推荐系统根据用户行为数据进行个性化推荐,然而在海量用户下,不仅搜索最近邻的时间过长,而且使用数据可能会泄露用户隐私信息。针对此问题,本文将HADPK-means++算法应用于协同过滤推荐中。首先对评分矩阵执行HADPKmeans++算法,保护用户隐私,然后在同一个簇中寻找最近邻,缩小查找范围,最后产生预测评分并进行推荐。实验结果表明,基于HADPK-means++的协同过滤推荐能够实现推荐准确性和隐私性之间的平衡,同时也说明本文HADPKmeans++聚类算法也可应用于其他数据挖掘案例中来保护用户隐私信息。