随着大型嵌入模型在推荐系统和语言应用中的使用日益增加，用户数据隐私的担忧也随之上升。DP-SGD（差分隐私随机梯度下降）作为一种训练算法，将差分隐私与随机梯度下降相结合，已成为在不过多损害模型准确性的前提下保护用户隐私的主力。然而，如果直接应用DP-SGD到嵌入模型，可能会破坏梯度的稀疏性，导致训练效率降低。为了解决这个问题，我们提出了两种新算法，DP-FEST和DP-AdaFEST，它们在大型嵌入模型的私有训练过程中保持了梯度的稀疏性。在基准真实世界数据集上，我们的算法实现了梯度大小显著减少（106倍），同时保持了可比较的准确性水平。