随着互联网上信息资源的日益增多,用户对个性化服务的要求不断提高。跨系统个性化服务通过在系统间共享用户的模型使用户的信息可以在系统间得到最大限度的重复利用,从而提高了个性化服务的质量。然而由于系统之间的生疏性以及共享信息的敏感性,许多用户不愿意提供自身的个人信息,因此,如何在保证私有信息不被泄露的前提下实现有效的信息共享,成为跨系统个性化服务中的关键问题。根据跨系统信息共享中隐私保护的内容不同,本文所做的研究工作大体上可以分为以下三个方面。首先,针对跨系统个性化服务中的用户模型共享问题,考虑到在网络传输过程中可能会被未授权的第三方窃听、篡改等问题,在基于注册中心的跨系统个性化服务框架中,加入数字签名、身份认证等多种加密技术,提出一种混合加密体制来实现系统间数据的安全交换。保证数据在传输过程中的数据保密性、数据完整性以及不可抵赖性。其次,考虑到商业竞争性或者其他原因用户不愿意提供个性化信息的情况,基于多方安全计算理论,结合安全矢量积技术,提出一种保护用户隐私的跨系统隐私保持协同过滤推荐算法。该算法基于茫然传送协议,可以有效防止第三方与系统间的恶意串通,同时还可以提高协同过滤推荐算法的精度。最后,对基于注册中心的跨系统安全数据交换方案中的关键技术进行了分析,并针对跨系统隐私保持协同过滤推荐算法从时间性能和预测准确性进行了对比实验并对实验结果进行了分析。