随着网络中Web服务数量的不断增长,服务质量(Quality of Service,QoS)驱动的Web服务推荐已经成为服务计算领域研究的热点。Web服务主动推荐技术可以将用户从海量的服务中解脱出来,解决Web服务的信息过载问题,为用户提供更合适优质的Web服务带来了便利。其主要过程是通过挖掘用户的历史QoS记录,预测活跃用户缺失的QoS值,并根据预测的QoS值选出QoS较好的Web服务推荐给活跃用户。本文针对使用传统协同过滤算法进行QoS预测存在的如下问题进行了研究。问题一:当面临当面临稀疏矩阵时,Web服务QoS预测精度不够理想。问题二:当历史QoS数据中存在不可信用户提供的不可靠数据时,QoS预测的准确度会受到很大影响。取得的研究成果如下:1.针对在稀疏矩阵中Web服务QoS预测精度不够理想的问题,本文提出了一种基于主成分分析(Principal Component Analysis,PCA)矩阵填充的K-Means聚类Web服务QoS预测方法。该方法通过对原始稀疏的用户项矩阵进行PCA填充,丰富了QoS信息,提高了预测精度。2.针对在历史QoS数据中存在不可信用户提供的不可靠数据对QoS预测的影响,本文提出了一种考虑用户地理位置信息和可信度的K-Means聚类预测方法。该方法综合考虑了用户的地理位置信息和可信度,减轻了不可靠数据和用户上下文(如用户位置、用户网络状况等)对QoS预测的影响,提高了预测的准确度。3.为了提高有价值信息利用率和QoS预测算法在不同数据集中的适应性,本文提出了一种基于混合用户信息和Web服务项信息的QoS预测方法。此方法综合考虑了用户以及Web服务的地理位置信息和可信度信息,在缺少相似用户或相似服务项时,提高了有价值信息的利用率。同时使用权重?来调整基于用户和基于Web服务项的预测算法对不同数据集的依赖程度,避免了因为不同数据集所具有的不同数据相关特性对QoS预测精度的影响,提高了预测精度。通过对一个来自真实世界的WS-Dream数据集进行实验验证。实验结果表明,与传统的QoS预测方法相比,提出的算法的预测结果更为准确及时,算法的QoS预测精度最高提高了14.47%。