随着网络技术和网络服务的发展,Web服务的数量也将爆炸式增长,过多的Web服务数量使得用户无法高效的获取符合自己个性的Web服务,增加了各种成本。目前,推荐算法已经是解决信息过载问题的重要手段。但是推荐算法在Web服务推荐领域还未被广泛研究。因此,面对稀疏的Web服务数据集以及尚未挖掘出的潜在信息,如何提高Web服务的服务质量(Qo S)的预测精度是当前推荐算法应用在Web服务推荐领域的研究重点。针对上述场景,本文主要研究Web服务的推荐算法。首先提出了带有偏置项的矩阵分解推荐算法(Bias SVD)。该方法利用Web服务领域的公开数据集,针对目前基于记忆的协同过滤推荐算法在数据集稀疏时表现不佳的情况,提出了本文的改进方案,即利用矩阵分解技术作为解决数据稀疏的方案,然后结合数据集中的偏置信息改进模型,提高对于服务质量(Qo S)的预测精度。本文通过不同稀疏程度的数据集验证,证明了Bias SVD模型相比于传统的基于记忆的协同过滤算法在预测精度方面的优越性,从而提高了推荐结果的正确性。本文接着提出了结合了Web服务位置信息的L-Item2vec方法。该方法依然采用Web服务公开数据集,为了提高最终的预测精度,本文提出了结合Web服务位置的观点。通过将Web服务之间的距离作为参考因素,添加到Web服务之间的相似度计算中,使得推荐结果更加符合用户兴趣。该方法通过设置不同的数据稀疏程度以及不同的隐向量维度,验证该方法在数据稀疏时的表现以及不同隐向量维度的设置对实验结果的影响。最终实验结果表明,本文提出的L-Item2vec模型在预测精度方面相较于之前的推荐算法有很好的表现。