1.一种基于差分隐私保护的兴趣点推荐算法，其特征在于，包括如下步骤：步骤一、将数据集中的数据构建成位置搜索树；

步骤二、从所述位置搜索树中筛选出访问频率大于最小访问频率的记录，组成第一集合；

步骤三、运用指数机制从所述第一集合中选取多项记录，组成第二集合；

步骤四、对所述第二集合中的记录添加拉普拉斯噪声后，组成第三集合；

步骤五、将所述第三集合中的数据构建成位置搜索树，得到添加噪声后的位置搜索树；

在所述步骤三中，从所述第一集合中选取访问频率高的k项记录ai，组成第二集合；

其中，被选取的记录ai满足：其中，Pr(ai)表示记录ai被选取的概率；ai·weight表示记录ai的权重；aj表示与所述第一集合相差一条记录的集合中的记录，N表示数据集中频繁模式记录的个数。

2.根据权利要求1所述的基于差分隐私保护的兴趣点推荐算法，其特征在于，所述记录ai的权重为：

其中，ε1为选择记录ai所分配的隐私代价；mark(A,ai)为所述第一集合中记录的打分函数；Δmark为所述打分函数的全局敏感度。

3.根据权利要求2所述的基于差分隐私保护的兴趣点推荐算法，其特征在于，所述第一集合中记录的打分函数为：

mark(A,ai)＝Q(ai)；

其中，Q(ai)表示记录ai的访问频率。

4.根据权利要求2或3所述的基于差分隐私保护的兴趣点推荐算法，其特征在于，所述打分函数的全局敏感度为：

其中，Q(aj)表示记录aj的访问频率。