随着Web服务相关标准的不断完善以及面向服务的体系架构的发展,基于Web服务构建信息系统的方式已经为工业界所广泛接受并实施。另一方面,学术界也一直对服务的发现、推荐和组合等问题进行着各种深入地研究。其中,服务推荐作为面向服务架构的重要环节而受到广泛重视。　　 传统的推荐算法主要分为基于内容和基于协同过滤两类,其中基于协同过滤的推荐算法因为对被推荐对象本身没有限制而被广泛地应用到各种推荐系统中。与传统的基于QoS的服务推荐算法不同,本文将Web服务作为一个抽象的推荐对象,以用户评分作为预测依据进行Web服务的推荐,通过对服务推荐过程中三个方面的关注和改进来解决服务推荐问题,即:候选服务的生成,推荐结果多样性的优化以及推荐结果的解释匹配。　　 在候选服务生成阶段,通过用户相似性推断和用户评分的填充以改进协同过滤算法,提高算法在稀疏数据上的表现。实验结果显示,基于邻接关系推断与基于自增强策略的候选服务生成算法有效地降低了预测结果的平均绝对误差,同时提高了预测结果的覆盖率。　　 在推荐结果选择阶段,基于多样性的服务选择算法通过优化推荐结果的差异性分数以产生多样性的推荐结果,从而满足用户的各种需求。实验数据显示了该算法在多样性分数上的显著提高。　　 在结果呈现阶段,为了更好的向用户展示推荐结果,帮助用户快速理解被推荐的服务,解释匹配算法通过将推荐结果与多种解释进行匹配,给出基于好友关系、项目相似度等的推荐解释。问卷调查结果显示了用户对推荐结果解释性信息的需求,并且用户偏好基于好友的推荐解释。