随着信息技术的不断发展和普及,互联网上的信息资源呈指数膨胀,其结构具有异构性、多元化、分布式等特点。因而,能帮助用户更为快捷地找到所需信息的服务推荐系统得到了广泛关注。服务推荐系统指收集和分析用户的历史喜好信息,通过使用相关推荐技术对用户的意图进行预测,从中选出用户可能最为感兴趣的信息项作为最终的推荐结果。服务推荐系统基于用户以往的偏好,提供个性化的建议,大大简化了用户从海量信息资源中发现符合其需求的信息的过程。但是,随着推荐规模越来越大,服务推荐系统也面临着一系列挑战,如:有效推荐算法的选择问题、推荐实时性与推荐质量间的平衡问题、服务的描述与搜集问题等。针对以上问题,本文进行了较为深入、有益的探索和研究。本文的主要工作总结如下:首先,提出了网格数据挖掘平台服务推荐系统总体架构,主要包括推荐引擎模块、基于数据挖掘本体的服务查找模块、节点资源监视模块以及数据传输模块。其次,面向数据挖掘专业用户,采用OWL语言构建了一个数据挖掘本体,从语义的角度对数据挖掘Web服务进行了描述,便于用户查看相关服务的具体信息。同时,本文提出了基于该数据挖掘本体的服务匹配,使得用户能快速检索到其需求的服务,从而提高了挖掘任务的执行效率。最后,针对数据挖掘初学者,提出了一种基于关联规则与协同过滤混合推荐策略的服务推荐引擎。该服务推荐引擎降低了该类用户查找其所需服务的难度,从用户兴趣的角度出发推荐其较为感兴趣的数据挖掘Web服务。网格数据挖掘平台服务推荐系统能够共享BillionGrid平台用户选择数据挖掘算法的经验,针对用户不同角度的需求,及时、有效地做出数据挖掘Web服务推荐。