1.集值数据和社会网络数据联合发布的多源隐私保护方法，其特征是，包括如下步骤：步骤1、去掉集值数据和社会网络数据的标识符，并对社会网络数据进行社区检查，得到社区划分；

步骤2、对于根据集值数据的非敏感值，构建一个泛化树；并根据泛化树对集值数据进行分组，使得每个组内的数据集都满足隐私要求；即：步骤2.1、根据集值数据的非敏感值制定泛化树，并构造分组层次树，将所有非敏感值泛化到最高层次，敏感值则不做任何操作；

步骤2.2、检查当前集值数据的各个分组是否满足ρ-uncertainty隐私要求；

如果分组满足ρ-uncertainty隐私要求，则直接对该分组进行分组细化；

如果分组不满足ρ-uncertainty隐私要求，在该分组中随机选择某个项目删除，删除后再更新所有关联规则的置信度；如果数据集中存在小于等于ρ的关联规则，则转至步骤2.3；

如果数据集中存在大于ρ的关联规则，则继续在该分组中随机选择某个项目删除，直到整个数据集中不再有置信度大于ρ的关联规则；

步骤2.3、计算当前集值数据的细化信息损失和删除信息损失；

如果细化信息损失大于删除信息损失，则转至步骤2.2；

如果细化信息损失小于等于删除信息损失，则直接发布当前组内数据；

步骤3、先将社会网络数据节点与集值数据ID对应，根据步骤2所得的集值数据的分组，对社交网络数据的节点进行对应分组；再对社交网络数据进行组内匿名处理；即：步骤3.1、将社会网络数据节点与集值数据ID对应，并根据步骤2所得的集值数据的分组，对社交网络数据的节点进行对应分组；

步骤3.2、计算社交网络数据的每个分组的平均度，并将距离该平均度最近的偶数作为每个分组的近似平均度；

步骤3.3、对于每个分组，计算当前分组内各个节点vi与本分组的近似平均度的节点差diff（vi）；如果diff（vi)＞0，则删除diff(vi)条跟节点vi相连的边E(vi，vj)；删除边E(vi，vj)两端的节点vi和vj的节点差diff(vi)和节点差diff(vj)均减1；

步骤3.4、对于每个分组，将当前分组内剩余节点的节点差diff(vi)进行排序，如果节点差diff(vi)＜0，则添加|diff(vi)|条跟节点vi相连的边E(vi，vj)；增加边E(vi，vj)两端的节点vi和vj的节点差diff(vi)和节点差diff(vj)均加1；

步骤3.5、对社交网络数据的所有分组进行步骤3.3和3.4的处理后，直接发布当前社会网络数据。

2.根据权利要求1所述的集值数据和社会网络数据联合发布的多源隐私保护方法，其特征是，步骤1中，采用GN算法对社会网络数据进行社区检查。

3.根据权利要求1所述的集值数据和社会网络数据联合发布的多源隐私保护方法，其特征是，步骤3.3和步骤3.4中，优先删除和增加社区内的边和diff(vj)＜0的边。