针对目前团购推荐方法较少结合单个用户与群组用户，并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题，提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时，针对循环神经网络（RNN）的门控循环单元（GRU）在团购推荐时没有考虑时序信息的影响，以及用户-商品交互序列中不相关的商品数据会产生噪声等问题，提出了融合时序感知GRU和自注意力的团购推荐模型（RTSA）。首先，通过计算用户购买的任意两个商品之间的个性化时间间隔，构建了时序感知GRU（TGRU）模型；然后，采用自注意力网络研究商品位置及个性化时间间隔的影响；最后，实验结果表明在Amazon Beauty数据集中，RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型（TiSASRec），前10个商品命中率提升了11.73%。对群组用户进行推荐时，针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重，以及群组-项目交互数据的稀疏性等问题，提出了融合社交网络和分层自注意力的团购推荐模型（SSAGR）。首先，采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣；其次，利用分层自注意力网络将社交网络信息整合到用户表示中，在不同权重下实现群组偏好聚合策略；然后，通过神经协同过滤（NCF）挖掘群组-项目交互，并实现了团购推荐；最后，实验结果表明，在MaFengWo数据集中，SSAGR相较于对群组用户推荐的最优的基线模型AGREE（Attentive Group REcommEndation），前5个商品命中率提升了3.53%。

基于位置服务中的隐私保护方法存在只关注保护用户位置和标识信息的问题，当匿名集中提出的查询均属于敏感查询时,将产生敏感同质性攻击。针对此问题，提出了个性化(k,p)-敏感匿名模型。并基于此模型，提出了基于树型索引结构的匿名算法——PTreeCA。空间数据库中的树型索引具有两大特点：1)空间中的用户已根据位置邻近性在树中被大致分组；2)在树的中间节点中可以存储聚集信息。利用这两个特点，PTreeCA可以从查询用户所在叶子节点和其兄弟节点中寻找匿名集，提高了匿名算法的效率。最后，在模拟和真实数据集上进行了实验，所提算法平均匿名成功率可达100%，平均匿名时间只有4ms。当隐私级别较低和适中时，PTreeCA在匿名成功率、匿名时间和匿名代价方面均表现出良好性能。