社交网络在过去几年中变得非常流行,因为它允许用户表达他们的个性并结识具有相同兴趣的人。尽管如此,与这些用户相关的隐私还存在许多潜在威胁,例如身份盗窃和敏感信息的泄露。但是,许多用户仍然不了解这些威胁,并且社交网络提供的隐私设置不够灵活,无法保护用户数据。社交网络提供商和政府都没有任何方法可以保护用户不受侵犯隐私的损害。但是,仍需要各种努力探索来改变这种状况。针对当前社交网络数据发布中存在的隐私泄露问题,本文主要做了以下工作:(1)针对数据发布聚类分析中聚类结果易受初始中心点影响的问题,提出了基于差分隐私的MPDPk-medoids聚类方法。该方法是在传统的k-medoids聚类算法的基础上通过对初始中心点的优化选取,并在聚类的过程中加入少量噪声的方式实现数据可用性的提高和用户隐私信息的保护。此外,我们提出了一种用于社交网络用户数据发布的系统模型,该模型可以保证在数据发布的各个阶段对用户的隐私数据进行很好的保护,确保用户数据的安全。通过和已有的隐私保护聚类方法进行对比,实验结果表明提出的MPDPk-medoids方法在隐私保护和数据可用性的方面要优于已有的方法。(2)针对传统微聚集算法中数据泛化过高以及隐私性不高的问题,提出了基于l-多样性的MDAV微聚集隐私保护方法(k,l)-MDAV。该方法通过在对数值型数据进行泛化的过程中,减少数据泛化的程度来提高数据的可用性,然后,通过利用微聚集算法对处理后的数据集进行等价类的划分,并在等价类划分的过程中通过使其满足l-多样性的方式来提高数据隐私保护的程度。通过具体的实验分析表明,本文提出的方法能够较好的实现数据有效性和隐私保护的平衡。(3)针对传统等价类划分中数据可用性和隐私性不高的问题,提出了基于等价类替换的隐私保护方法。该方法对数据表数据先是通过计算记录中各个元组之间距离的方式来实现同一等价类中最小信息损失化,然后通过选取与发布等价类最相似的等价类对发布等价类进行替换的方式实现用户数据的隐私保护。通过和现有的基于等价类的隐私保护方式进行实验对比,实验结果表明本文提出的方法在数据可用性和隐私保护方面有着较好的表现。