随着互联网技术的广泛发展,网络数据变多,用户信息获取难度增加。而推荐系统能够从品类繁多的服务中辅助用户深度挖掘其兴趣点所在,因此在业界和学术界其都备受亲昧。但其模型精准性严重依赖于数据质量:更多更完备的数据固然能够更好地促进模型优化,但同时也带来了极大的数据安全问题,即其中有些信息关系到用户隐私,是用户不想泄露的。于是对于隐私保护手段的研究势在必行。相比于其他方式,差分隐私的优势在于提供了完备的隐私保护框架。因此,为了促进推荐系统的发展,本文就结合差分隐私技术的推荐方案进行研究。本文主要工作和研究成果如下:(1)研究了数据安全领域典型的攻防方式,深入考虑了推荐系统的安全隐患问题。由于现有的研究主要关注于传统机器学习,本文创新性的提出深度推荐模型隐私保护的课题。(2)本文基于深度学习的重要参数对原PNN模型进行集成创新,并利用网格搜索方法确定最优模型配置,从而在当前数据集下获得了最佳的结果。(3)基于推荐系统的特性,本文通过添加拉普拉斯噪音和梯度截断方式实现了对应的差分保护方案DP-PNN,并证明了方案的有效性。(4)针对差分隐私的定义,本文提出来一种验证差分保护有效性的方法,从而使得可以通过实验验证算法符合差分隐私保护程度。对于提出的方案,本文不仅从理论角度对数据安全度进行了相应的分析,证明了算法是符合隐私要求的,而且还从实验角度对算法精度和隐私保障进行平衡,并证明了数据保护的有效性,具有一定的实用价值。