伴随着近年来因特网（Internet）的快速发展以及信息技术（InformationTechnology）的普及，社会网络的概念已由传统的现实层面延伸至虚拟的网络环境之中。由于大量的Web2.0应用的产生，越来越多的社会网络数据也被公布或泄漏，攻击者根据某些方式可能获得用户的个人隐私，因此社会网络数据的隐私保护也愈加成为社会的关注点。由于社会网络的受关注度，保护网络隐私的方法及提议已出现很多。然而，几乎所有的研究都是基于所有用户具有完全一致的隐私保护需求，从而忽略了用户之间对于隐私保护具有差别这一实际情况。同时，在发布的数据需要考虑进行学术研究及统计分析而必须具有一定的可用性需要下，由于无差别的隐私保护方法对全体数据过高的隐私保护，也降低了社会网络数据发布后的可用性。本文以社会网络为基础，对社会网络数据发布中隐私保护的个性化方向进行方法的研究与实现。本文首先介绍社会网络和隐私保护的相关概念，继而阐述社会网络中用户隐私可能遇到的攻击方式。然后学习并归纳总结适用于社会网络的隐私保护方法及其优缺点，并比较其在不同的攻击方式下的保护能力。再针对社会网络数据不仅要防护节点重识别，还要防护连边识别的要求，结合分离式发布策略和泛化技术，通过改进k-度匿名方法和k-邻域匿名方法使得改进后的算法可以进行个性化的设置，即用户可以自治地设定自身所需的隐私保护级别，同时改进后的算法也具有了抵御连边识别的效力，从而达到了实现社会网络中个性化隐私保护方法的目的。本文的最后，对改进的算法通过实验进行了验证，并使用不同的实验方案对算法效果进行对比。实验结果表明，改进后的方法可以实现个性化的目的，同时在隐私保护的强度满足用户需求的前提下，在时间效率与发布数据可用性方面，个性化方法都比原有的无差别的隐私保护方法具有较大进步。