随着Web服务的爆炸式增长,如何处理信息过载、定位合适的Web服务变得越来越关键。目前已有很多相关的服务推荐方法,但很少有研究通过挖掘服务使用数据中的潜在知识进行服务推荐。本文对服务推荐和图挖掘进行相关研究后,提出了一种基于图挖掘的服务推荐方法。该方法根据图挖掘的结果集扩展用户组合了一半的Web服务并将扩展的结果推荐给用户,来达到帮助用户更快更好地进行服务组合的目的。　　 本文提出的方法可以分为数据准备、数据处理和服务推荐三个阶段。数据准备阶段和数据处理阶段是服务推荐阶段的基础。数据准备阶段的目的是得到数据处理阶段所需的组合服务图数据集。该阶段主要可以分成两步:1)对Web服务进行聚类;2)将执行过的组合Web服务转化为组合服务图。数据处理阶段的目标是挖掘出组合服务图数据集中的频繁子图。为此,我们对gSpan算法进行了扩展和修改,使之可以用于组合服务图的挖掘。服务推荐阶段是整个方法中最主要的阶段。该阶段根据用户组合了一半的Web服务和图挖掘结果集进行推荐,主要可以分成两步:1)确定推荐的频繁子图;2)选择最优的组合Web服务。在确定推荐的频繁子图时,为了估计每个频繁子图满足用户需求的概率,我们设计了Score值的计算公式。在进行最优组合Web服务的选择时,需要计算出组合Web服务各个维度上的QoS值,为此我们分别针对分支关系和并行关系设计了相应的QoS计算公式。由于最优组合Web服务的选择比较耗时,我们利用skyline来加速该过程。　　 本文基于1530个真实的Web服务准备了实验数据,对本文提出的方法进行了详细的实验分析,证明本文提出的方法在效率和效果上都能取得较好的结果。