随着信息技术的发展,人们间的交流日益电子化。与此同时,各类Web2.0网站广受欢迎,在线交流的途径进一步扩大,个体创造的内容也愈加丰富。这导致现实生活中每天都产生和存储大量的社会网络数据。信息丰富的社会网络数据吸引了研究者的眼光,同时也引起了攻击者的注意。如何发布社会网络数据使其具有良好的可用性又能避免隐私泄露,如何通过推荐进一步提高用户的参与热情从而产生更多有价值的数据,成为极具理论与实践意义的问题。结点带属性的社会网络数据的发布,可能被攻击者通过结构背景知识或属性背景知识识别用户,也可能无法识别用户但获取了用户的敏感属性。为了保护用户的隐私,可以将原始图进行点和边的聚类,使得每个簇具有多个结点,并将结点的属性泛化,从而避免攻击者通过结构背景知识或属性背景知识进行攻击。同时,在聚类时,如果使每个簇的泛化属性呈现出多样性,则可以避免攻击者窃取用户的敏感属性。为了使泛化和聚类后的图相对于原图信息损失最小,可以采取贪婪策略,使算法每次选择一个最优的结点加入簇中。这样得到的图可以有效抵御攻击者识别用户或者获取用户的敏感属性。结点和边都带属性的社会网络数据的发布,可能面临结点被识别、边被识别、结点或边的敏感属性被窃取的情况。其中结点或边的敏感属性被获取,可能结点、相邻结点、边或者关联的边的的敏感属性被识别。其中,如果结点和边的敏感属性不被识别,那么相邻结点或关联的边的敏感属性也不会泄露。在此基础上,为了防止攻击者确定结点、结点间的路径为某值、结点或边的敏感属性,可以将原始图划分成多个离散的同构的连通子图,将子图间对应的结点或边分组,然后引入噪声数据来避免同组属性的同质化,最后发布其中的一个连通子图和所有的结点分组和边分组。这样发布的图能避免结点被识别、边被识别、结点或边的敏感属性被窃取,并可以被理论证明和实验验证。社会网络中的推荐,通常存在各种显式或隐式的标准。不同的具体标准可能具有类似的特征。在社会网络中进行推荐时,首先可以根据推荐标准从大图中选择相关的子图,或者将多个图按一定规则映射成一个相对简单的图,或者把结点属性设置为新结点从而构造出一个新的图等方法来对原始图进行简化。在此基础上,各标准可以按特征分类处理。最后可采取一定策略将多个标准的推荐结果组合起来。实验能验证该方法的有效性。社会网络中的个性化推荐,包括数据社会化和推荐策略个性化两个方面。对用户个人偏好的推荐策略表述,要求既易于被用户和数据分析员理解,又可以指导计算机无歧义地执行。针对这个要求,可研究一种基于规则的个性化推荐方法。首先,可以收集用户对推荐策略的偏好,从而得到和自然语言接近但含义不够明确的规则。然后,将每条规则分别推理为含义明确的规则。在此基础上,按一定策略消除规则间的冲突形成无歧义的规则集合。最后,以该规则集合为指导进行衡量结点间的推荐程度。真实数据集上的评估可以验证本方法的有效性。