如今,互联网上发布的功能多样化的Web服务比比皆是,使得服务提供商对如何在海量的服务资源池中挖掘出满足用户功能需求的Web服务提出更高的要求。基于融合社交信息的矩阵分解模型对用户评分偏好进行预测的方法因其具有较好的预测准确度,成为当前服务推荐的主流方法之一。随着用户个性化需求的不断提高,现有的基于融合社交信息的概率矩阵分解模型的服务推荐方法在服务推荐准确度方面还存在些许不足:第一,缺少对用户个性化偏好的深入挖掘和动态性的分析,导致用户相似关系求解不准确;第二,忽略了服务间的关联关系对服务推荐准确性的影响;第三,原始评分矩阵稀疏,评分置信度不高,影响了服务推荐的准确性。本文研究基于用户相似关系和服务关联关系的服务推荐方法,目的是在数据稀疏、冷启动问题存在的情况下,提高服务推荐的准确性。本文在对服务推荐的研究现状进行分析总结的基础上,给出了一种基于用户相似关系和服务关联关系的服务推荐框架。首先,提出一种基于动态偏好的用户相似关系求解算法。该算法针对用户相似关系求解不准确的问题,结合用户对服务标注的标签及评分数据对用户的评分偏好进行计算,引入兴趣衰减函数求解用户对标签的动态评分偏好,并基于该动态评分偏好计算用户之间的相似关系。然后,基于标签共现思想计算标签重要度,并提出一种基于加权二部图的服务关联关系挖掘算法。该算法将标签的共现关系表示成加权二部图的形式,通过二部图资源分配方法得到标签之间的关联关系,再结合服务的标签信息得到服务之间的关联关系。最后,提出一种基于概率矩阵分解模型的服务推荐算法。该算法将基于动态偏好求得的用户相似关系和基于加权二部图挖掘的服务关联关系融入到概率矩阵分解模型中,预测用户对未知服务的评分,最终将前Top-N评分的服务推荐给用户。在真实的数据集上开展实验,将RMSE值和MAE值作为服务推荐准确度的评价标准,选取具有代表性的方法进行了实验对比。实验结果表明,本文提出的服务推荐方法(US-SA-PMF)在推荐准确度上优于其他代表性的服务推荐方法。