在Web 2.0时代,面向Web服务的计算模式和架构得到广泛应用。随着Web服务数量的不断增加,用户在面对数量庞大的Web服务时,难以筛选出既满足需求并且高质量的Web服务。因此,如何为用户推荐最优的Web服务成为服务计算领域的热门研究方向。在Web服务推荐系统中,通常使用服务质量(Quality of Service,Qo S)作为衡量Web服务性能优劣的评价指标。由于用户调用服务的数量有限,实行有效的Web服务推荐的关键步骤是对缺失的Qo S进行预测。协同过滤是一种广泛运用于Qo S预测的方法,其中,基于近邻的协同过滤方法和矩阵分解方法效果最为显著。这两种方法虽然取得了一定成果,但仍存在一些有待解决的问题。本文在分析总结已有研究的基础上,分别对基于近邻的协同过滤方法和矩阵分解方法进行改进,提出两种新颖的Web服务推荐方法:(1)提出基于网络位置与随机游走的Web服务推荐方法。在相似度计算阶段,本文使用随机游走模型挖掘用户之间以及服务之间的传递相似关系,并结合网络位置信息,优化目标用户和目标服务的相似度计算方法。在近邻筛选阶段,对用户以及服务按照网络位置关系进行划分,剔除存在异常Qo S调用记录的相关用户和服务。通过以上改进,提出了三种优化的Qo S预测方法UL-RW、SL-RW以及HL-RW,进而实现更为有效的Web服务推荐。(2)提出两种基于矩阵分解的Web服务推荐模型。本文分别以LFM(Latent Factor Model)和PMF(Probabilistic Matrix Factorization)两种矩阵分解模型为基础模型进行优化改进。首先,根据用户调用服务的Qo S记录和用户的网络位置,使用基于混合属性的聚类方法对用户进行聚类,根据聚类结果建立基准预测模型。同时,本文考虑了服务所在的国家是影响用户选择偏好的因素,将服务所在国家作为隐式反馈信息,通过训练隐式反馈因子分析得到用户的偏好。最后,将个性化基准预测模型和隐式反馈因子和LFM进行融合,得到改进的推荐模型LA-LFM。此外,由于PMF模型在LFM基础上引入了概率模型进行进一步优化,一定程度上解决了过拟合问题,本文还将基准预测模型和隐式反馈因子与PMF模型进行结合得到LA-PMF模型。本文在一个真实的Web服务的数据集上对以上两种算法进行了大量实验,并与著名的服务推荐算法进行比较,实验结果表明本文提出的方法在数据稀疏的情况下能准确预测Qo S,从而实现更有效的Web服务推荐。