近年来,因为个性化推荐系统能够缓解信息过载的问题而得到了大家的重点关注,目前在互联网各个领域几乎都可以看到推荐系统的应用,它可以使得用户在众多的数据里面迅速发现对自己有用的信息,节约了用户大量的查找信息的时间。有研究表明,把相关的上下文信息与传统的推荐系统相融合有利于提高推荐结果的准确率并且更能满足用户的需求。如果上下文推荐想要得到更高的推荐精度,则需要搜集和利用大量的与用户有关的上下文信息,但是这样会泄露更多的用户的个人隐私,这也是人们所担心的问题。如果在数据搜集和使用前没有考虑到隐私安全的问题,那么攻击者很有可能直接或者间接的获取用户的敏感信息。如果这些信息被攻击者非法利用,那么这将会造成大量的经济和精神损失,给人们的日常生活也带来了严重的威胁,所以个人隐私保护问题在推荐系统中是值得重点研究的对象。在众多的隐私保护技术中,差分隐私技术因其可以抵挡攻击者具有相关背景信息下的攻击而得到了重点关注,它是一种经过严格推敲证明的隐私保护技术,可以给人们的信息提供强有力的保障。差分隐私技术虽然已经得到了研究人员的认可和使用,但是在上下文推荐系统中的研究仍存在不足之处。所以为了进一步保障推荐系统中用户的信息安全,本文将差分隐私和上下文推荐相结合,根据上下文信息处理的方式,设计相关的差分隐私保护策略,本文主要进行了如下的研究:(1)根据用户上下文兴趣建模时的隐私保护问题,本文采用了一种基于差分隐私和贝叶斯网络的上下文推荐算法。因为不同的上下文信息对每个用户的作用力是不同的,所以利用贝叶斯技术把上下文信息以不同的概率融入到推荐系统中,求出在相关上下文环境下用户的偏好,改进了用户相似度计算方法。通过在计算用户平均评分和用户相似度的过程中进行了差分隐私保护,并且基于数据稀疏性问题,利用聚类算法对项目进行聚类处理。最后实验验证本文使用的上下文推荐算法能够在保障用户隐私安全的基础上略微提高推荐的精度。(2)在给用户做个性化推荐时,考虑历史上下文之间的相似性会在一定程度上提高推荐精度,但是在计算上下文相似度的过程中会造成相关信息泄露。基于这个问题,本文采用了一个基于差分隐私和上下文相似度的推荐算法。如果多个上下文信息比较相似,那么用户在一种上下文条件下对这个物品给出的评分也适用于与它相似的另一种上下文环境。利用上下文与项目之间的关联计算上下文之间的相似度,并且对用户评分矩阵和在上下文相似度的计算过程中利用差分隐私技术添加相应的噪声进行隐私保护,最后实验证明算法的有效性。