聚类（Clustering）是一种用于探索数据结构的数据分析技术,它能够根据数据特征进行分类,将具有相同或相似性质的数据划入同一个子组（簇）,不在同一簇中的数据通常其性质是不同的。聚类分析是基于特征的基础上找到样本的子组,或是在基于样本的情况下找到特征的子组。在聚类分析中引入差分隐私技术是当前研究领域绕不开的热点。差分隐私是一种数据失真技术,能够抵御任何背景知识下的攻击,且不受数据集大小的限制。在诸如聚类分析等数据挖掘领域,差分隐私技术可以有效减少个人隐私的暴露,因此差分隐私保护算法的研究具有重要意义。其难点在于保证数据隐私的前提下获取性能最优的数据挖掘模型。本文的研究重点是如何更好地保护聚类算法的隐私以及提高相应聚类算法的可用性,包括:针对预测推荐算法在聚类分析过程中的隐私泄露问题,提出了一种基于指数机制的差分隐私保护服务质量预测推荐算法,该算法基于改进的覆盖算法,根据相似用户对目标用户缺省的Qo S值进行预测并推荐。本文既通过理论分析了该算法满足ε-差分隐私,又通过实验证明该算法显著提高了服务质量预测精度。针对k-means++算法全过程隐私性不足问题,提出了一种基于Laplace机制的差分隐私DPk-means++聚类算法,且为进一步提高算法可用性,研究并提出一种高效的DPk-means-ev算法,该算法可以改善初始中心点的选取,避开了设定k值时的盲目性和选择初始化中心点的敏感性,实验证明算法有效提高了聚类的效率与可用性。针对k-means算法在实际使用过程中的不收敛问题,研究并提出了一种在交互环境下向真实质心注入差分隐私的新框架,在聚类的迭代过程中对质心运动进行定向控制,再注入噪声以实现收敛。理论验证了该方法的关键性质,并证明了它的迭代次数最多是Lloyd’s k-means算法的两倍。实验结果表明,在相同的差分隐私保证下,该算法在保证收敛的同时,在交互环境下比现有的差分隐私算法有着更好的聚类质量。