随着网络中服务的数量和种类不断增多,为了帮用户在大量服务中找到他需要的服务,服务推荐技术应运而生。传统的服务推荐方法大多是根据目标用户的历史使用服务记录,寻找与目标用户行为相似的邻居用户,再推荐邻居使用过的服务,或寻找与目标用户使用过的服务相似的服务进行推荐,而对于没有服务使用记录的用户即冷启动用户,这些方法无法进行推荐。所以用户冷启动问题成为了服务推荐中亟待解决的问题之一。现有的解决冷启动问题的算法,一部分需要用户预先填写调查问卷以获取其偏好情况,增加了使用的繁琐程度;另一部分算法根据用户填写的注册信息来寻找邻居用户以预测其偏好,但是这些算法未考虑用户各项注册信息元素对用户偏好的影响程度是不同的,导致推荐准确率的降低。因此,本硕士论文针对现有的解决用户冷启动问题的研究工作中存在的问题,围绕面向冷启动用户的服务个性化推荐机制展开相关研究,主要工作包括以下几个方面:(1)建立基于注册信息的用户相似度模型,使用线性回归算法,计算各注册信息项对用户偏好的影响权重,为进一步利用注册信息寻找与冷启动用户偏好相似的邻居用户提供依据。(2)提出一种面向服务功能的冷启动用户个性化推荐算法。该算法使用基于注册信息的用户相似度模型,获取邻居用户,从而根据邻居用户的功能偏好预测冷启动用户的功能偏好,再将所有服务基于功能特征进行聚类,计算每个功能服务类的功能特征与冷启动用户功能需求偏好的匹配程度,将匹配度最高即最能满足冷启动用户功能需求偏好的功能服务类推荐出来。(3)将满足冷启动用户功能需求偏好的功能服务类中的服务作为推荐候选集,进一步提出了一种面向服务QoS(Quality of Service,服务质量)的冷启动用户个性化推荐算法。该算法同样使用基于注册信息的用户相似度模型,寻找冷启动用户的邻居用户,根据邻居用户的QoS需求偏好预测得到冷启动用户的QoS需求偏好,再根据冷启动用户的上下文信息,预测他使用推荐候选集中的服务时可能体验到的QoS情况,最后根据候选集中服务的QoS满足冷启动用户QoS需求偏好的程度,推荐满足冷启动用户QoS需求偏好的服务。综上所述,本论文深入研究了面向冷启动用户的服务个性化推荐机制,建立了基于注册信息的用户相似度模型,提出了面向服务功能和面向服务QoS的冷启动用户个性化推荐方法,并通过一系列的仿真实验和原型系统的实现,对本论文理论成果的可行性和有效性进行了验证。