随着互联网技术的飞速发展,大量的计算机软件已经倾向于部署在云环境下,面向服务的体系结构（Service-Oriented Architecture,SOA）、云计算和互联网服务等技术越来越受到消费者的青睐。然而随着云服务数量的日益增多,互联网上出现了大量功能相似的云服务,如何在这些功能相似的云服务中为用户选择合适的服务成为关键问题。服务质量（Quality of Service,Qo S）被广泛应用于描述和评估云服务的非功能属性,因此在云服务高度同质化的情况下,如何准确地预测Qo S成为服务推荐领域热门的研究话题之一。近些年来,很多学者使用基于协同过滤的Qo S预测方法,并结合挖掘用户和服务的上下文信息已经取得了一系列的研究成果。然而,当前的研究工作仍然存在一些不足之处:1)寻找用户或服务邻居的方式单一,没有充分考虑用户和服务的上下文信息;2)未能捕捉到用户与服务复杂的特征交互,忽略了不同特征交互的重要性。针对以上问题,本文提出了基于多源邻居的因子分解机Qo S预测模型以及基于注意力机制的因子分解机Qo S预测模型。主要的贡献和创新之处如下:（1）提出了一种基于多源邻居的因子分解机Qo S预测模型。该模型充分挖掘用户和服务之间的联系,通过用户和服务的地理位置、网络位置以及服务描述文档等信息从多方位获取用户和服务的多源邻居集合,并通过因子分解机模型,自动组合用户和服务与其多源邻居的特征预测Qo S值。真实数据集上的实验验证了该模型的预测精度优于其它传统的基于协同过滤的方法,同时该模型的时间复杂度低,与数据集规模呈线性相关,在数据稀疏的情况下仍表现良好。（2）提出了一种基于注意力机制的因子分解机Qo S预测模型。该模型基于用户和服务及其多源邻居,通过因子分解机进行特征组合,学习特征的低阶和线性交互,同时进一步引入注意力机制得到用户和服务及其多源邻居二阶交叉特征的重要性,筛选出关键的特征组合信息,并通过深度神经网络学习特征的高阶和非线性交互实现最终的Qo S预测。在真实世界大规模数据集上的实验结果表明该模型可以有效地学习特征的低阶、高阶、线性和非线性交互,其预测精度优于现有的Qo S预测方法。