Anbefalingssystemer har blitt en essensiell del av brukeropplevelsen online, og hjelper brukere til å navigere seg gjennom en overflod av tilgjengelig informasjon, produkter og tjenester. I denne sammenheng har en rekke akademiske artikler nylig blitt publisert, som viser at det er mulig å utlede privat informasjon om brukeren fra brukerens anbefalinger og tidligere interaksjoner med systemet. Denne rapporten ønsker derfor å bygge videre på dette arbeidet, ved å undersøke utleding av privat informasjon kun fra brukerens anbefalinger, hvor et spesielt fokus blir gitt til brukerens lokasjon. I denne forbindelse ble en rekke eksperimenter ble utført, hvor brukerens lokasjon, samt kjønn, alder, og yrke, ble forsøkt utledet ved hjelp populære klassifiseringsmetoder. Anbefalingene ble generert ved bruk av en Factorization Machine med Bayesian Personalized Ranking tap, samt to kjente datasett: MovieLens 100K og BookCrossing. Klassifiseringsmetodene var i stand til å utlede om en bruker bor i USA med en AUC score på 82.7 %. De strevde derimot mer når et annet datasett ble brukt, hvor målet heller var å utlede hvilken region i USA en bruker bodde. Det kan derfor konkluderes at det er mulig å utlede informasjon om brukerens lokasjon fra anbefalingene deres, men at det vil avhenge på anbefalingenes egenskaper og på hvilket geografiske nivå lokasjonen er forsøkt utledet