互联网的高速发展,使得电子商务、即时通讯、在线服务等互联网经济活动产生了海量数据,众多企业等组织机构为了能够更好地分析这些数据中潜藏的关键价值信息,并将分析结果应用于商业战略、决策分析等,数据挖掘应运而生。人们在享受数据挖掘带来便捷服务的同时,大量敏感信息的披露给用户带来众多威胁和损失,数据隐私泄露问题愈发严重。因此,在数据挖掘过程中如何保护数据隐私成为数据挖掘和隐私保护领域的热点问题。差分隐私凭借其严格的数学定义和可证明性成为近年来备受关注并被广泛研究的一种新型隐私保护技术。现有的差分隐私数据挖掘工作大多集中于关联规则和分类算法上,而面向差分隐私保护的聚类算法研究相对较少。本文的研究内容着重于面向差分隐私保护的聚类问题,主要有三个方面:针对以往的差分隐私k-means聚类算法对初始中心点的选择上较为敏感,降低了数据的可用性等问题,研究并提出一种新的优化的差分隐私DPk-means-up聚类算法。该算法通过选取合适的初始中心点来减少迭代次数,提高聚类结果的可用性。进行了理论分析和比较实验。理论分析表明,该算法满足ε-差分隐私,可适用于不同规模和不同维度的数据集。此外,实验结果表明,在相同隐私保护级别下,所提出的算法与其它的差分隐私k-means聚类方法相比,有效提高了聚类结果的可用性和算法性能。针对以往的差分隐私谱聚类算法中规模参数的选择会对结果产生较大影响以及聚簇的个数需要事先指定等问题,研究并提出一种新的优化的差分隐私自适应谱聚类算法。该算法可以通过选取使特征间隔最大的k值作为最合适的聚簇个数;也可以自动地计算规模参数,更好的反映样本间的亲密关系;此外使用前面提出的DPk-means-up算法代替传统谱聚类中用到的k-means算法,提高差分隐私谱聚类结果的可用性和准确性。理论分析和实验结果表明,所提出的优化算法相比传统的差分隐私谱聚类算法,较大程度上提高了聚类结果的准确性和可用性。为了验证DPk-means-up算法在实际应用中的有效性,本文选取组推荐系统作为应用场景,通过在组推荐算法中引入DPk-means-up算法来保证组推荐过程中用户隐私不被泄露。实验结果可以看出,在组推荐中应用DPk-means-up算法能够更好地平衡隐私保护水平和推荐结果准确性。