推荐系统可以帮助用户发现感兴趣的信息,有效解决信息过载问题,推荐系统得到了广泛的研究与应用。与此同时,推荐系统中的隐私问题也日益受到人们的重视。对于推荐系统来说,尽可能的提升推荐系统的准确度与为用户提供隐私保证同等重要。一方面,更准确的推荐会大大提升用户的体验。另一方面,更强有力的隐私保证会减少用户分享个人隐私信息的顾虑,从而提升用户的信任与参与度。协同过滤(CF)是推荐系统中最常用的算法。然而,应用协同过滤的推荐系统并不能很好的保证用户的隐私安全,已有研究表明,利用推荐系统的推荐结果,结合背景知识,就能以很大概率推断出用户的历史记录,这无疑会严重地威胁用户的隐私。差分隐保护私技术有着严格数学定义与最大背景知识假设等特点,能很好的保证用户的隐私安全。本文主要研究工作如下:首先,研究了传统的协同过滤推荐算法,对协同过滤算法的三个最主要的步骤:收集用户偏好、找到相似的用户或物品与计算推荐进行深入理解,分析可能的隐私泄露点,为后续应用隐私保护算法的设计做铺垫。其次,研究了常见的隐私保护技术,包括k-Anonymity、数据加密、混淆与扰动,并着重研究了差分隐私保护算法与其在协同过滤推荐算法中的实现。然后,研究了推荐系统面临的隐私攻击模型及其扩展“K最近邻攻击”。介绍攻击者通过分析推荐结果以高准确率挖掘出用户的真实信息的具体方式,引出实际系统中更常见也更具威胁的“K最近邻攻击”。分析了差分隐私保护技术较传统的隐私保护方法在此类攻击下的优势。最后,研究了现有的将差分隐私技术应用于推荐系统的隐私保持协同过滤推荐算法,明确其不足之处,最后提出一种在保证隐私的前提下具有更高的准确度的隐私保护算法。