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。协同过滤推荐技术是个性化服务发展中最成功且应用最广泛的推荐技术之一,然而,出于隐私考虑,许多用户不愿意提供个人信息。因此,如何让用户提供推荐系统使用的必要信息且不泄露用户的个人隐私成为协同过滤推荐发展中的主要问题。本文主要研究协同过滤推荐中的隐私保护问题。首先,针对传统的使用P2P网络模型的协同过滤推荐不能很好地保护用户隐私的问题,对现有的网络模型进行了深入的分析,提出一种超立方体P2P分级网络结构,并在此基础上提出一种基于超立方体P2P结构用户模型存储的协同过滤推荐算法。该算法将用户分为超级用户和普通用户,用户间传递局部推荐和局部平均相似度,因而算法能够在不影响推荐精度的前提下更好地保护用户的隐私。其次,针对基于随机扰乱技术的协同过滤推荐算法在保护用户隐私的同时带来的推荐精度降低问题,深入分析了随机扰乱技术的隐私保护原理,提出了扰乱强度权重的概念及其度量模型,改进了相似度计算方法,并在此基础上提出一种改进的隐私保持协同过滤推荐算法。该算法依据用户的扰乱强度计算相应的扰乱强度权重,相似度的计算综合考虑评分相似度和扰乱强度权重,实验表明,该算法能够有效降低随机扰乱技术对算法推荐精度造成的影响。最后,给出了基于超立方体P2P结构用户模型存储的协同过滤推荐算法和基于随机扰乱技术的隐私保持协同过滤推荐改进算法的实验方案,并对两算法进行了验证。