该论文首次在差分隐私框架下研究结果多样化问题，聚焦于最大和多样化（MSD）模型。MSD旨在选择一组项目，最大化一个线性组合：子模函数（衡量相关性）与所选项目间成对距离之和（衡量多样性）。现有非私有方法在处理敏感数据时存在隐私泄露风险。作者提出了满足差分隐私的算法，适用于基数约束和拟阵约束，并证明了近最优的效用保证。同时设计了更高效的算法，在保持强隐私保证的同时，速度甚至超过现有非私有方法。实验基于真实数据集，展示在强隐私保护下，效用与非私有基线相当，且基数约束下的执行时间显著提升。该工作为隐私保护下的数据多样化查询提供了理论和方法基础。