伴随着信息时代的到来,我们生活当中大量的信息以数据的形式通过互联网和各种介质迅速传播,这些数据包含人们的各个方面,例如购物数据、医疗数据、商务数据等,而各个机构和政府部门可以利用这些数据来进行商业应用、民生调控和科学研究等。因此研究数据的共享和利用变得十分有必要。但是这些数据通常包含大量的个人隐私。如果这些信息不经过处理就发布出来,将带来严重的后果。由于攻击者可以通过数据之间的关联性和特征定位到个人信息,仅仅删除个体的标识信息并不能防止隐私的泄露。因此,数据发布中的隐私保护方法成为当前研究的热点,要求在保护隐私的同时保证数据的有效性。目前,存在许多基于关系型数据或事务型数据的隐私保护方法。但是在现实生活中许多数据同时包含关系型和事务型属性,例如一个病人有多种疾病,一个顾客购买多个商品,关系型属性用于描述病人的基本信息,事务型属性用于描述个体所患的疾病或购买的商品。如果仅将上述两类隐私保护方法分别用于关系型和事务型属性上,发布的数据仍然不能防止隐私泄露,因为通过关系和事务属性的联合,攻击者能够推测出个体的隐私。因此,针对关系事务型数据,如何设计既能保护用户隐私又能保证数据可用性的隐私保护方法成为亟待解决的问题。本文的主要的研究工作如下:首先,分析了现有基于关系事务型数据的隐私保护方法中存在的不足,虽然基于(k,k~m)-模型的隐私保护方法中保护了用户的部分敏感信息,但是对于事务属性当中组合数超出m的部分不予保护,而且也没有区分事务属性中的敏感项和非敏感项,对于事务属性全部当成敏感项,使得匿名后事务属性的信息损失较大。其次,针对当前研究方法中存在的隐私问题,提出(k,ρ)-匿名的隐私模型,该模型要求在每个等价类中至少包含k个记录并且满足ρ-不确定性。它能保证攻击者在知道个体的关系属性值以及部分事务项目的情况下,不能推测出用户的敏感信息,能有效地防止隐私泄露。然后,提出基于(k,ρ)-匿名的隐私保护方法。为了使得匿名的数据集在满足(k,ρ)-匿名的同时尽可能地减小信息损失,该方法首先得到均分含敏感项记录的初始化聚类结构,然后通过三种相对优化的策略将等价类进行合并,最后使得每个等价类满足ρ-不确定性。最后,从匿名数据的效用性和算法的运行时间方面,将本文的匿名方法与基于(k,k~m)-匿名的隐私保护方法进行对比。实验结果表明,本文的方法在信息损失方面要明显小于原有的匿名方法,同时我们的方法能够提供更强的隐私保护。虽然运行时间较原有方法长,但是我们针对的是静态数据集,匿名过程是离线进行的。