随着基于位置的移动社交网络技术的不断发展,人们可以更加容易地通过智能手机访问和分享各个城市的兴趣点(Points of Interest,POI),比如学校、餐厅、电影院等,因此,产生了大量的兴趣点信息。如何从这些兴趣点中选择有价值的兴趣点成为大家关注的话题,兴趣点推荐系统作为解决信息过载的一种有效方法得到了广泛的关注。其中,基于矩阵分解的兴趣点推荐方法取得了良好的推荐效果,而传统的矩阵分解模型都是由推荐系统集中收集所有用户关于POI的签到数据,然后对这些数据构建矩阵分解模型。事实上,推荐系统集中获取用户的签到数据时,用户的偏好信息也会随之泄露。为了解决集中式矩阵分解模型中的用户隐私泄露问题,本文提出了一种基于社交网络的去中心化矩阵分解模型。在该模型中,每个用户的签到数据都存储在自己的设备端(比如:手机和pad),在每个用户的设备端通过与其他用户交互公有兴趣点潜在特征向量梯度来完成模型的协同训练,利用基于社交网络的随机游走方法实现小规模用户之间的信息交互。每个用户的签到数据存储在自己的设备端,而不是由推荐系统收集;在自己的设备端进行模型的训练;用户之间交互的是公有兴趣点潜在特征向量梯度,而不是用户的签到数据,这样在一定程度上保护了用户的个人隐私。最后,通过对比实验证明了该模型的有效性和可行性。由于基于社交网络的去中心化矩阵分解模型中用户间交互的是公有兴趣点潜在特征向量梯度,属于中间结果,存在一定的隐私泄露风险。为了进一步强化基于社交网络的去中心化矩阵分解模型中的隐私保护性能,本文在该模型的基础上又提出了一种基于同态加密的去中心化矩阵分解模型。利用同态加密的技术对公有兴趣点潜在特征向量梯度进行保护,从而防止泄露用户的个人隐私信息。最后,通过在真实的数据集上的实验,证明了该模型的有效性和可行性。