推荐系统通过处理和过滤大量的用户行为数据为其用户建议可能感兴趣的内容。本文研究了近几年来快速发展的基于地理位置和社交网络的兴趣点（POI,Point-of-Interest）推荐系统及其隐私保护问题。兴趣点推荐算法通常考虑三个影响因素:用户相似性,好友影响力和地理位置。相比于系统和陌生人的推荐,用户容易更青睐朋友的偏好POI,好友影响力一般可由共同好友和共同访问的POI情况一起确定;同时过于遥远的POI会使用户不得不优先考虑距离成本而可能失去吸引力,即地理因素在兴趣点推荐中也十分重要。然而很不幸的是用户的隐私敏感信息在收集时可能会泄漏。因而本文将重点放在保护用户的地理位置隐私和社交好友关系隐私上。为此本文分别针对于这两个因素提出了相应的隐私保护算法:1)现有的＜k,s＞隐私算法因固定的隐私保护参数而有无法适应于保护不同热度的POI隐私的缺陷,为了保护用户的位置信息免于泄露,本文提出了一种新颖的可由用户自由控制隐私保护程度的地理位置模糊算法,该算法能够根据POI的不同热度将用户的实时位置虚拟成为具有动态半径的虚拟圆,同时却不会因为位置信息的不准确而显著降低推荐的准确性。2)为了保护用户不受到来自好友的隐私攻击,本文研究了推荐系统中通过好友关系攻击用户隐私的多种模式,并指出现有缓解该类攻击方式的隐私上下文感知推荐框架难以应用于实际服务的不足,从而提出了一种更轻便有效的用户可控的基于好友关系的隐私保护算法,该算法采用基于拉普拉斯分布的差分隐私算法,在用户好友影响力上添加足够的噪声来模糊好友关系,达到保护好友连接隐私的效果。最后本文借助于一种新颖的基于微分熵的评估方法证明了差分隐私技术和虚拟圆技术与实际系统的集成的有效性。同时,在理论分析环节提供了重要的公式和量化标准,证明用户可以通过选择合适的隐私参数来控制其隐私保护级别,提升用户体验。另外,大量的实验结果更进一步表明,本文所提出的隐私保护算法与当前最先进的算法相比,能够在推荐准确性和隐私保护程度两方面达到平衡。