随着互联网的迅速发展,网络上存在的信息呈指数级增长,用户从这些海量而复杂的数据中筛选自己感兴趣的内容的难度也随之增加。推荐系统作为一种有效的信息过滤工具,得到了广泛的应用,它的目的是准确地预测用户对物品或信息的偏好程度,从而把对用户更有价值的内容优先呈现给他们,帮助用户做出快速的决策。协同过滤在推荐算法中被广泛应用,它是基于相似用户具有相似偏好的假设进行推荐的,但是当用户的历史评分数据很少或没有评分时,推荐系统会面临着数据稀疏性和冷启动问题。因此,越来越多的研究者提出将多源数据作为辅助信息融合到推荐系统中提高推荐的性能。但是,推荐系统收集的用户评分等历史反馈数据,不可避免的涉及到用户的隐私信息。随着用户的隐私保护意识的提高,人们在享受推荐服务的同时也越来越关注自己的隐私能否得到保护。而基于数据融合的推荐中,由于涉及到多源数据,并且数据之间存在的关联给攻击者带来更强的背景知识,其隐私问题更具挑战性。因此,本文分析了现有的数据融合推荐中的隐私问题及已有方法的不足,提出了对数据融合推荐中的隐私保护方法的改进方案,主要研究成果如下:（1）针对融合知识图谱的新闻推荐系统中的隐私保护方法不能均衡噪声添加和推荐效果的问题,提出融合知识图谱的新闻推荐中的隐私保护方法,基于差分隐私模型设计一种二阶段隐私保护机制。首先,根据特征向量对推荐结果的影响权重动态地分配隐私预算,并将拉普拉斯噪声添加到用户特征向量中,实现隐私保护的同时降低过量噪声添加造成的数据损失,以提高数据的效用性。其次,对加权的用户特征向量添加统一的拉普拉斯噪声,保证用户数据的安全性。最后,在真实的新闻数据集上进行实验验证表明,该方法在保护用户隐私的同时能保证模型的预测性能。（2）针对融合情感分析的推荐系统面临的数据稀疏性问题,提出改进版的基于神经网络的观点挖掘模型Neu O+（Neural-network based Opinion mining+）,将用户的ID特征中隐含的固有属性特征融合到推荐系统中,缓解数据稀疏性从而增强推荐性能。另外,针对融合情感分析的推荐场景中存在的隐私问题,提出一种基于差分隐私的观点挖掘模型DPNeu O,通过在梯度下降最下化损失函数获取优化参数的过程中,添加满足差分隐私的噪声来保护隐私。最后,在两个真实的数据集（Amazon、Yelp）上设计对比实验对本文提出的方法进行验证,表明本文方法相比已有工作能在保护隐私安全的同时提高推荐的精准度。