随着推荐系统的广泛应用,用户隐私也面临着泄露的风险,因为个性化推荐系统需要获取大量的个人基本信息,其中包含大量隐私数据。这些隐私数据一旦泄露,很有可能被犯罪分子利用,威胁用户安全。其次,由于用户担心自己隐私的泄露,在相关应用要获取自己的个人信息的时候,往往产生不信任感,进而拒绝相关服务,这也成为了推荐系统发展的一个障碍。因此,推荐系统中的用户隐私保护相关问题有着重要的研究价值。本文基于差分隐私基本思想,提出基于差分隐私聚合的隐私保护推荐系统。本文具体工作如下:本文提出一种基于隐私聚合的图嵌入模型,通过数据划分并学习若干子模型,然后进行子模型聚合,并在聚合过程中添加噪声数据,以保证聚合过程满足差分隐私的要求,实现在图嵌入学习中保护用户数据隐私。本文提出的基于隐私聚合的图嵌入算法可以和各种不同的图嵌入模型相结合,并且保证训练结果满足差分隐私的要求,扩展性更强。本研究使用电影评分数据集,首先,将用户评分数据进行随机分组,分成若干个不相交的子数据集,且保证与原数据集独立同分布,将每个子数据集生成一个图,进行图嵌入学习得到若干子模型。然后,根据每个子模型构造一个判别器,用来判断指定的用户和项目的偏好关系,使用投票机制对一组未标记偏好关系的数据集进行判断,并在统计票数过程中添加特定要求的噪声数据,得到带噪声关系标签的数据集。之后,使用该数据集进行图嵌入学习,得到满足隐私保护的图嵌入模型。最后,给定指定用户,计算用户与项目的相似度并排序,根据近邻思想,输出推荐列表,完成隐私保护推荐任务。本文使用推荐系统领域常用的公开数据集Movie Lens进行相关实验。在Movie Lens真实数据集上进行隐私保护推荐系统的搭建和算法实现,将用户对项目的评价分为正向和负向并构建测试集,用模型对测试集中正向和负向评分关系的区分能力来对模型进行评估,将本文提出的隐私保护算法与多种对比算法进行了实验。实验结果表明本文提出的算法在给定的隐私预算下,具有较好的性能表现,并且运行效率在可接受的范围之内。结合所有研究成果,本文设计并实现了基于差分隐私聚合的隐私保护推荐原型系统。该系统可以展示本研究的各项结果,能根据用户选择的算法与不同的参数的设置,显示各项参数对系统结果的影响。