随着大数据以及云服务时代的来临,互联网上Web服务呈指数增长,具有类似功能的Web服务也急剧增多。如何在功能相同的海量服务中为用户推荐满足其需求的服务成为服务推荐领域的研究热点。服务的QoS作为衡量服务非功能属性的指标一直广泛应用于服务推荐领域中。然而,在当前网络环境下,由于种种条件限制,用户不可能亲自调用每一个服务来获取QoS值,因此,QoS预测成为为用户在短时间内推荐服务的有效途径。传统的协同过滤方法在QoS预测中广泛应用,但是该方法通常考虑一维与二维线性特征,且易受到冷启动影响,导致预测质量差强人意。基于因子分解机的QoS预测方法通过学习用户与Web服务间线性与非线性关系,一定程度上缓解了数据稀疏和冷启动问题。但受计算复杂度的影响,因子分解机只能处理一阶和二阶特征,使得QoS预测质量依旧受到影响。于是,深度学习被引入QoS预测研究。通过深度神经网络学习用户与Web服务间高阶线性与非线性特征,有效缓解QoS预测面临的数据稀疏挑战。然而,现有基于深度学习的QoS方法在预测质量鲁棒性方面表现不佳。针对上述QoS预测方法存在的不足,同时考虑到QoS与位置信息密切相关,本文利用深度学习技术,引入信息熵,结合与QoS相关的位置信息,提出了位置感知的QoS预测方法。本文主要贡献如下:（1）提出了一种位置感知的卷积协同过滤QoS预测方法（Location-aware Convolutional Collaborative Filtering,LCCF）。LCCF采用协同过滤方法发现用户与Web服务的相似邻居,利用卷积神经网络学习用户与Web服务之间高阶线性与非线性关系,实现QoS预测精度的提高,有效的缓解了数据稀疏以及冷启动问题并在覆盖率和精度之间取得了好的平衡。实验结果表明LCCF模型的预测精度优于现有的QoS预测方法。（2）提出了一种位置感知的深度信息熵因子分解机QoS预测方法（Location-based Deep Factorization Machine,LDFM）。LDFM通过引入信息熵解决信息投影过程中引发的特征偏置问题,采用因子分解机和多层感知机分别从广度和深度方面挖掘用户与Web服务交互的隐含多阶特征。实验结果表明LDFM具有较高的运行效率,同时能够在预测性能稳定性方面明显优于现有的QoS预测方法。