本文提出并评估了一个隐私保护的推荐系统框架，旨在解决传统推荐系统依赖集中存储用户交互数据所带来的隐私与合规挑战（如GDPR、CCPA、CPRA）。该框架结合了联邦学习、差分隐私、群体级建模和隐私感知智能体：联邦学习保持原始用户数据分散在本地，差分隐私向模型更新引入数学上有界的噪声，群体级建模利用用户群体特征而非个体数据，隐私感知智能体负责协调隐私预算分配。实验在模拟客户点击流和购买行为的合成零售数据集上进行，评估了矩阵分解、神经协同过滤和GRU4Rec三种推荐模型在多个差分隐私预算（ε值）下的表现，度量包括点击率（CTR）、Precision@K、Recall@K和归一化折损累计增益（NDCG@K）。结果发现，在中等隐私预算（ε≈5）下，该框架能保持有竞争力的推荐质量，表明强隐私保护可以以有限的推荐效果损失实现。此外，还开发了交互式Streamlit仪表盘以可视化推荐性能、排序稳定性、隐私-效用权衡和公平性指标。本文为部署兼顾个性化、法规合规与商业目标的隐私保护推荐系统提供了实用框架，适合电商和零售平台的安全与隐私工程师、推荐系统研究人员阅读。