在大数据快速发展和信息爆炸式增长的今天,个性化服务推荐系统越来越受到用户的需求和喜好,应用的层面也越来越广泛。现有的推荐系统保护方法主要采用差分隐私、k-匿名、扰动等方法,但服务质量差、安全系数低等问题十分严重,不能满足当代用户的需求,因此如何在为用户提供大量推荐数据的同时,加快推荐系统运行效率、提高推荐服务质量和用户数据安全性变得尤为重要。针对推荐系统中存在的用户隐私泄露等问题,本文主要开展了如下技术研究:（1）针对基于内容的服务推荐,利用机器学习中协同过滤算法的ALS推荐算法,通过分析数据、训练模型、存储模型、进行推荐的主要步骤,对推荐系统进行个性化的服务推荐。按照商品的自身属性以及相似用户的偏好和用户的历史评分等情况,获得用户对商品属性的喜爱程度和自身需求,在推荐服务器中生成推荐列表返还给用户,但攻击者可能从推荐列表的信息反推出用户的敏感信息,因此提出一种基于差分隐私的个性化服务推荐算法DPk-median。该算法针对推荐系统服务器中生成的推荐列表,首先利用k-median聚类算法将推荐数据中具有相同属性的数据进行聚类,根据不同簇的风险级别,添加相应的拉普拉斯噪声机制,同一簇中的隐私预算参数是相同的,对噪声的添加能够进行合理控制,实验结果表明,该算法不仅增强了系统的安全性,也提高了服务推荐的质量和算法的执行效率。（2）针对基于位置的服务推荐,对现有的个性化服务推荐方法中存在的位置局限性、用户相似属性的隐匿性和数据稀疏性以及服务质量差、安全系数低等问题,提出了一种轨迹隐私保护服务推荐模型,该模型基于偏好感知的模式,首先采用Mix-zone结合聚类的方法,当请求服务时,通过聚类量化mix-zone中用户的相似性,保护用户的个人信息;然后采用基于差分隐私的偏好感知算法（PPBP）保护推荐结果,根据用户的偏好进行隐私风险评定,通过评定结果添加不同大小的噪声,合理分配差分隐私预算,实现服务质量的提升,实验结果表明,该算法不仅提高了用户的隐私保护程度,也提高了系统的服务质量。