随着移动互联网的快速发展,基于位置服务(Location Based Services,LBSs)由于其特有的便利性越发流行。其中,基于位置服务的个性化推荐就是当中的典型应用之一。移动用户在相对陌生的地理位置环境中难以快速找到符合自己偏好的地点,而基于位置服务的个性化推荐能够挖掘用户的兴趣,为用户提供精准的服务数据,同时能够避免用户陷入“信息超载”的困境。然而,由于用户位置信息泄露而带来的位置隐私安全问题也不容忽视。位置信息泄露可能会造成用户的出行规律、工作情况等敏感信息被挖掘出来,进而使得用户对自己的隐私安全问题心存顾虑,这将阻碍基于位置服务的个性化推荐的进一步发展。但是,如果对用户的位置隐私进行不恰当的“过度”保护,则难以保证推荐效果。因此,如何在保证个性化推荐效果的同时,又可以保护用户的隐私安全成为基于位置服务的个性化推荐的一个研究重点。基于上述考虑,本文提出一个基于用户查询的保护隐私的个性化推荐方案。该方案能够对用户的位置隐私和问询隐私进行保护,同时,基于隐私保护处理过的历史查询数据,挖掘用户对地点的兴趣偏好和用户的热点活动区域,为用户做出个性化的地点推荐结果,主要内容如下:1.设计了位置隐私保护算法。本方案采用只有用户端和LBS位置服务商两方参与的系统架构,没有引入可信第三方,并且位置隐私保护算法都是在用户端独立完成的,增强了用户的隐私保护程度,其中,我们使用位置模糊技术将用户的真实位置随机平移,生成一个替代的假位置,以达到保护位置隐私的目的;使用k匿名技术将用户的真实兴趣混淆在其他(k-1)个假兴趣之中,以达到保护问询隐私的目的。2.设计了地点推荐算法。本方案基于用户端发送的隐私保护处理过的历史查询数据,构建用户-兴趣矩阵,为了避免推荐结果过拟合,采用带正则化的矩阵分解协同过滤模型,挖掘用户对地点的兴趣偏好;考虑到用户发送的假位置是聚集在其真实位置周围的特性和用户对地点的访问通常会呈现出地理聚集现象,采用K-means聚类算法挖掘用户的热点活动区域,同时结合用户的个人偏好,做出地点推荐,并且在用户端基于距离维度对推荐结果进行二次过滤,为用户提供更加准确的地点推荐结果。3.实验结果分析。通过在收集自Foursquare网站的真实数据集上,进行仿真实验,实验结果表明,随着兴趣匿名的k值不断增大,本方案的地点推荐结果的准确率一直呈下降趋势,但是,当兴趣匿名的k值不大于8时,本方案推荐结果的准确率要高于常规的协同过滤推荐方案。此外,对本方案在隐私保护方面进行安全性分析和可用性分析,证明了本方案在保证个性化推荐效果的同时,也能够保护用户的隐私安全。