随着信息技术的发展以及互联网的普及,社交网络逐渐成为人们日常交流的重要组成部分。然而由于信息的急剧增长,人们在享受社交媒体带来便捷服务的同时,如何在海量数据中寻找到自己感兴趣的内容成为一个难题。在此背景下,社交网络推荐系统应运而生,同时,社交网络推荐系统也存在用户隐私泄露的风险。如何既能保证用户隐私安全又能提供高质量的推荐服务成为研究热点。目前信息推荐主要集中于广告推荐、基于位置的推荐以及电商网的推荐。然而,对于支持隐私保护的社交网络信息推荐研究较少。本文主要研究在保护用户隐私的同时给用户推荐感兴趣的博文,提出社交网络用户兴趣推测方法与支持隐私保护的社交网络信息推荐方法,并使用新浪微博公开数据集进行验证。实验表明用户兴趣推测方法的准确率和召回率在80%以上,隐私保护方法的隐私损失比在20%以下。论文主要贡献如下1.提出一种基于社交网络的用户兴趣推测方法针对社交网络用户难以从互联网获取想要信息的问题,提出一种基于社交网络的用户兴趣推测方法。通过对好友发表、评论、转发博文的分类特征得到好友兴趣,并使用PersonalRank算法计算好友兴趣度,解决用户评分数据冷启动问题;通过好友兴趣度、用户与好友之间熟悉度以及兴趣相似度计算用户兴趣度,并将前N个兴趣度作为推测的用户兴趣。实验表明,所提方法推测用户兴趣具有较好的效果。2.提出一种支持信息推荐的隐私保护方法针对社交网络信息推荐中的信息传播带来隐私泄露的问题,结合信息传播模型,提出了一种支持隐私保护的社交网络信息推荐方法。通过个性化偏好设置允许用户设置受限访问用户列表,利用受限访问用户列表计算信息传播至黑名单用户的概率;设置隐私泄露阈值描述限制黑名单用户访问隐私博文概率边界值,达到信息推荐中保护用户隐私的目的。实验结果表明,所提方法可以在保证推荐效果的同时更好地保护用户隐私。3.实现支持隐私保护的信息推荐系统原型针对推荐系统被推荐信息存在泄露用户隐私风险问题,研发一个支持隐私保护的信息推荐系统原型,实现了用户兴趣推测功能、隐私保护功能、信息推荐功能和数据可视化功能。通过数据可视化功能展示用户兴趣、用户影响力,其中用户兴趣字体展示用户兴趣度大小,用户气泡展现用户影响力大小,使用可视化的方式直观展示数据,有利于数据的进一步分析。