推荐系统通过挖掘用户数据之间的关系发现用户潜在的消费趋势,为用户提供个性化的信息推荐,极大地提高了用户在海量数据中获取信息的效率。然而,推荐系统在挖掘用户数据时,因所涉及的数据含有用户隐私信息,存在隐私泄露的风险,同时,推荐系统存在的评分片面、主观性强、评分矩阵稀疏性等因素影响了推荐的精确度。如何提高推荐系统的推荐精度,保护用户的隐私信息,是当前推荐系统需要解决的关键问题。针对上述问题,本文基于协同过滤推荐算法,研究用户特征相似性优化方法,并采用差分隐私实现隐私保护,主要的研究内容如下:（1）针对协同过滤推荐算法中存在上述精确度和隐私泄漏的问题,给出一种基于混合相似度和差分隐私的协同过滤推荐算法。在多种相似度基础上进行加权计算构造混合相似度,提高推荐精度;以混合相似度作为质心更新和分类条件,利用改进的K-means算法将与目标用户相似度高的用户进行聚类;采用枚举方法在目标用户集中划分子集,并基于混合相似度构建效用函数,利用差分隐私指数机制在各子集中选择邻居集合,保护用户隐私;最后在邻居集合中选择出评分值最高的项目进行推荐。实验结果表明,该算法在保护用户隐私的同时,有效提高了推荐的精确度。（2）为更好地解决上述基于差分隐私的协同过滤推荐算法中的稀疏矩阵问题,将基于项目的协同过滤算法与基于用户的协同过滤算法结合,给出一种基于差分隐私的混合协同过滤推荐算法。该算法首先考虑项目的标签属性等信息,并将其作为项目相似度的重要因素;利用差分隐私技术将拉普拉斯噪声添加到项目平均得分和原始评分矩阵中保护用户隐私,并采用加权平均值法计算和填充评分矩阵中的缺失值,解决稀疏性问题;最后基于用户的协同过滤算法选择用户邻居并进行个性化推荐。实验结果表明,该方法能有效保护隐私数据,并具有较好的推荐精度。