传统的位置服务推荐方案未考虑用户偏好及潜在社交关系等问题，导致推荐结果无法满足用户的个性化需求。图神经网络（GNN）凭借较好的图结构数据处理能力，被广泛用于位置推荐领域；然而，此前研究里中心化的数据范式容易造成位置隐私泄露的问题。因此，提出一种基于联邦图神经网络的位置隐私保护推荐方案（FedGNN-LPR）。首先，通过图注意力网络学习用户的社交关系嵌入和兴趣点（POI）嵌入；其次，建立基于POI的伪标签标注模型预测用户对未知位置的访问次数，以保护用户隐私并缓解冷启动问题；最后，提出基于差分隐私的聚类联邦学习策略保护客户端的交互数据并解决数据异质性问题。在两个公开的真实数据集上进行实验的结果表明，在平均绝对值误差（MAE）和均方根误差（RMSE）方面，所提方案比联邦平均（FedAvg）算法分别降低了7.89%和9.29%，比FL+HC算法分别降低了2.32%和2.75%；并且，所提方案在联邦学习位置推荐上展现出更好的性能。因此，FedGNN-LPR不仅能保护用户位置隐私，而且提高了位置推荐性能。

针对自适应增强（AdaBoost）算法的基分类器线性组合效率低以及过度关注难分样本的问题，提出了基于间隔理论的两种改进算法WPIAda与WPIAda.M。首先，WPIAda与WPIAda.M算法都将样本权值的更新分为四种情形，从而增加间隔从正到负变化的样本权值来抑制间隔的负向移动，并减少间隔处于零点的样本数量；其次，WPIAda.M算法根据基分类器的错误率与样本权重的分布状态，给出新的基分类器系数求解方法，从而提高基分类器的组合效率。在10个UCI数据集上，与dfAda、skAda、swaAda等算法相比，WPIAda和WPIAda.M算法的测试误差分别平均降低了7.46个百分点和7.64个百分点；AUC分别提高了11.65个百分点和11.92个百分点。实验结果表明，WPIAda和WPIAda.M算法可以有效降低对难分样本的关注，并且WPIAda.M算法能够更高效地集成基分类器，因此两种算法均可进一步提高分类性能。

位置社交网络（LBSN）将社交网络与地理位置相结合，为用户提供了新颖的个性化体验，而用户的位置隐私保护对LBSN系统的安全运行至关重要。针对位置隐私保护方法僵硬导致数据效用低、位置服务（LBS）体验质量下降的问题，提出一种融合用户偏好与差分隐私模型的位置隐私保护（UPDP-LPP）方法。首先，使用停留点提取算法获得用户的停留点集合；其次，使用特征融合方法标注停留点的类型；最后，在通过用户偏好来动态地获取隐私预算和噪声敏感度后，为隐私半径添加拉普拉斯噪声，从而保护用户的敏感位置信息。在两个公开的真实数据集上的实验结果表明，当隐私预算相同时，所提方法较TLDP （Trajectory Location Data Protection）、DPLPA （Differential Privacy-based Location Privacy protection Algorithm）和LPPM（Location Privacy Protection Mechanism）在隐私保护的数据效用上提高了10%以上。可见，UPDP-LPP不仅能保护用户位置隐私，而且提高了数据效用。