个性化推荐系统通过挖掘用户和项目的潜在关系,预测用户的偏好生成个性化推荐,已被成功应用到旅游、音乐、电影等领域。但随着云计算的发展,基于云环境的各类Web服务不断涌现,给个性化推荐技术带来了新的挑战。在海量拥有相同或类似功能的服务中,如何为用户推荐满足需求的高质量Web服务是本文主要的研究方向。本文针对基于上下文感知的QoS预测的个性化服务推荐展开了研究,主要工作如下:首先,本文依据用户-Web服务的二元关系和Web服务被调用时的上下文信息,提出了一种加权上下文相似度,根据上下文信息的各个属性对调用服务场景相似度的影响程度进行建模;其次,本文将加权上下文相似度应用到启发式的K-Modes聚类算法和层次聚类算法中,寻找相似上下文的用户和服务,使用基于用户聚类和基于Web服务聚类相结合的方法,对未知的用户-Web服务的QoS值进行预测,以解决用户-Web服务矩阵稀疏性的问题,并依据QoS生成推荐;最后,为了解决基于相似度的模型在高稀疏性条件下无法准确计算相似度,以及无法衡量不同上下文因素对Web服务的QoS值的交叉影响关系的问题,本文引入隐因子分解机对用户-Web服务二元关系和上下文信息进行直接建模,训练模型并预测QoS,并依据QoS生成推荐。本文使用包含Web服务调用记录的数据集WSdream dataset2,对吞吐量和响应时间这两个QoS指标进行了预测实验。实验结果表明,与之前的研究者的研究方法相比,本文提出的算法在RMSE和MAE两个评测指标上,均取得了很好的效果,证明了本文提出的算法的有效性。