作为一种崭新的分布式计算模型,Web服务已经在电子商务、企业应用集成等领域扮演着越来越重要的角色。随着Web服务数目的增长,如何挖掘用户的兴趣并帮助用户准确地找到其感兴趣的服务,已经成为服务计算领域的研究热点。传统的服务推荐算法主要有两种,一种是基于内容的推荐,一种是基于协同过滤的推荐。基于内容的推荐受到信息内容分析技术的约束,基于协同过滤的推荐受到数据稀疏性和冷启动问题的影响。针对传统推荐算法的缺点和不足,本文提出了基于用户社交网络的Web服务推荐算法。本文通过建立用户的相似网络和信任网络,利用这两个网络进行服务推荐。首先,本文针对皮尔逊相关系数的缺点和不足提出了三种用户相似性算法。为了解决由于数据的稀疏性而无法计算用户相似性的问题,本文同时提出了相似性传递算法,通过相似性的传递来更新和填充用户的相似性。实验结果显示,三种相似性算法与皮尔逊相关系数具有相似的标准平均误差,同时相似性传递算法也有效地降低了预测结果的标准平均误差。在计算用户相似性的基础上,本文建立了用户的相似网络,并提出用户相似网络的分团算法,将具有相似兴趣的用户划分到同一个团体中,基于用户相似网络的推荐算法就是利用目标用户所在团体的用户作为候选用户进行推荐,从而有利于增加推荐用户数,提高推荐准确度。本文还将用户的信任关系结合到推荐中,提出了基于用户信任网络的推荐算法。最后将用户的相似网络和信任网络相结合,既考虑了用户兴趣的相似性,又考虑了用户之间的信任关系,使得推荐结果在满足用户兴趣需求的同时又有一定的可信度。实验结果显示基于社交网络的服务推荐算法比传统的基于协同过滤的算法具有更低的预测误差。