移动互联网技术的飞速发展为人们获取各类信息带来了极大的便利。随着用户接触信息量的爆炸式增长,个性化推荐服务随之诞生,它能够根据用户的个人和行为信息为用户提供相匹配的项目。合理的推荐服务既能受到用户的喜爱,又能促进行业的发展。用户信息的充分利用是个性化推荐服务的基础,而用户的行为和属性信息也正是用户不方便透露的隐私信息。近年来却出现了攻击者有意窃取社交网络中的用户信息,通过统计分析利用用户特征信息,对用户财产和信息安全造成威胁的事件。因此,如何在实现准确的推荐的同时充分保护用户隐私成为了新的研究课题。当出现新用户访问平台时,系统缺少新用户的大量数据属性,如何快速地为这些新用户推荐令其满意的内容有待进一步研究。针对上述问题,本文从推荐质量提升、用户隐私保护、用户冷启动等方面开展研究,主要内容与创新如下:(1)针对为社交网络中的用户提供高效、多样化的个性化服务,提出了一种基于协方差聚类的协同过滤推荐方案(Covariance-Ordering Points to Identify the Cluster Structure-Covariance-Collaborative Filtering,COP-CCF)。针对线下聚类提出 COP 算法,将用户分到各个特定的聚类集群中,再通过向量余弦方法计算线下基本用户与各个聚类中心之间的相似度,构建线下基本用户的兴趣协方差度量矩阵。针对线上靶向用户推荐提出CCF算法实现靶向用户评分预测,获得推荐结果。仿真实验表明,该方案能够充分挖掘稀疏数据条件下的用户兴趣,提高推荐精度。(2)针对社交网络中推荐系统的隐私保护需求,提出一种初始点优化的基于可达距离聚类排序的差分隐私保护方案(Optimization of the Initial Center-Differential Privacy Based on Ordering Points to Identify the Cluster Structure,OIC-DPOP)。方案提出OIC-DPOP差分隐私保护算法对数据进行处理,首先对聚类算法初始点的选择进行了优化,通过生成扩展的簇排序进行聚类分析,既不显式产生数据聚类结果,也不输出某特定情况下的参数设置,有效防止攻击者窃取到具体个人隐私信息。仿真实验表明,用户数据可用性和隐私保护效果得到了有效平衡并且提高了算法效率。(3)针对社交网络中初始目标用户冷启动的推荐问题,在OIC-DPOP方案的基础上提出了基于隐私直方图发布的冷启动推荐方案(Set Threshold Histogram Publish,ST-HP)。根据OIC-DPOP的聚类结果进行各簇的直方图统计,提出ST-HP算法,根据各簇直方图和设置的阈值选择冷启动用户的邻近簇,从而计算冷启动用户的最近邻居们以生成推荐结果。仿真实验表明,该方案推荐的精准度和推荐速率有较大提升。同时阈值的变化,可以调解推荐速率以及推荐广度和推荐精准度,从而增加了算法的灵活性,更好的解决了初始用户的冷启动问题。