大数据时代,为解决信息超载问题,推荐算法在许多领域被广泛应用,发挥了越来越重要的作用。推荐系统使用用户与应用平台的交互记录、用户属性等数据过滤用户需求,但这些数据的泄露往往会暴露用户的隐私信息,引发恶意推荐等安全事件。将推荐算法与隐私保护机制相结合,可以在为用户提供精确推荐信息的同时,更好地保护用户隐私。本文提出了一种用户隐私保护的推荐算法Priv Item2Vec,将双向长短时记忆网络算法（bi LSTM）与基于item2vec的推荐算法结合,使输出结果具有时序性,提高了算法的推荐准确率;同时在传输过程中使用Paillier加密算法对商品及用户行为序列生成的表征数据进行重新构造,保护用户隐私数据。Priv Item2Vec算法首先将商品序列输入到item2vec模型中,得到静态嵌入结果,然后将静态嵌入结果输入到bi LSTM模型中进行训练,最终得出有时序性的商品表征数据。然后,使用Paillier加密算法对商品id及经由item2vec和bi LSTM训练后输出的表征数据进行重新构造,对用户隐私信息进行保护:1)根据同态加密算法的特性,在用户端生成随机数与商品id进行计算并将计算结果和随机数加密,构造伪商品id,同时发送到给服务器端。2)数据传到服务器端后,同样根据同态加密算法的特性计算得出真实的加密商品id,并从服务器端的映射序列中找到对应的商品项,利用余弦相似度计算方法依次将其他商品与目标商品计算向量相似度,最终利用堆排序算法对得出的相似度序列进行排序,得出要向用户推荐的TOP-K推荐序列并向用户端传递。3)用户端对得到的加密序列解密,得到真实的、要向用户推荐的结果。在推荐计算的过程中只有用户端保留加密算法的秘钥,因此服务器端也无法对其进行解密操作。为验证本文所提出算法的性能,在真实数据集Movie Lens上进行了验证,与常用的BNR,NCF以及基于item2vec的推荐算法进行了比较。Priv Item2Vec的推荐命中率、NDCG结果、精确率等指标均优于其他算法。在比较加密前和加密后的计算效率时,服务器端的平均处理时间差为0.148s,即Priv Item2Vec算法在实际应用过程中消耗的时间相对于整体运行时间几乎没有影响。本文所提出的基于时序性的Priv Item2Vec算法,通过引入长短时记忆网络算法,使得传统的item2vec算法具有了时序性,提高了推荐准确性;Paillier同态加密算法的使用,使得推荐算法执行过程中服务器端获取到的数据全部为加密数据或embedding后的向量数据,降低了数据可读性,防御了半诚实的服务器,避免了由服务器端数据泄露而带来的恶意推荐,同时也保护了用户端到服务器端数据传输过程的安全。未来的工作将探索在隐私保护推荐算法中融入社交网络因素的影响,关注不同亲密程度朋友的偏好对推荐结果的影响;同时考虑如何防御社交网络中半诚实或恶意的用户。