云制造作为一种新的网络化生产模式,它是基于云平台和互联网为用户提供各种各样的制造服务。面对日益增长的制造服务,如何从海量的制造服务中高效、准确地推荐满足用户需求的服务成为一个亟需解决的问题。本文立足服务质量（QoS）驱动的云制造服务推荐方法,研究了影响云制造服务QoS值失真的因素,分别提出了基于功能性和非功能性QoS值的两种云制造服务推荐方法,提高了云制造服务推荐结果的准确性。（1）针对非功能性的QoS值受网络环境影响的问题,提出使用长短型记忆网络（LSTM）对云制造服务的网络环境进行建模的方法。根据LSTM初步预测结果在临界点上呈现的特点,对LSTM神经网络进行了优化,形成ONS~2P网络态势预测模型。实验结果表明,LSTM神经网络比移动平均法和指数平滑法这两种模型预测结果更准确。在MAE指标上,ONS~2P比LSTM神经网络模型的预测准确度提升了25%。（2）针对非功能性的QoS值缺失和失真的问题,提出了一种融合网络表示学习和动态协同过滤的服务推荐方法。首先,将网络表示学到的高维特征向量作为补充数据源融合到动态协同过滤算法,解决了动态协同过滤方法中QoS矩阵数据稀疏的问题。其次,对提出的推荐方法中向量维数和QoS矩阵密度这两个重要参数进行了实验寻优和分析,以提高服务推荐的准确性。最后,为了验证所提出推荐方法的有效性,将本文提出的方法与4种模型的平均绝对误差和均方根误差指标进行对比。实验仿真表明,本文所提出的推荐方法在两个评价指标上都有不同程度的提升,并能够准确地预测出非功能性QoS缺失值,提高服务推荐结果的准确性。（3）针对功能性QoS值缺失的问题,提出了一种融合服务评论文本和服务评分交互特征的服务推荐方法。首先,将用户和服务评论各自的隐含主题特征向量与用户、服务的隐因子向量进行评分,并经过动态线性加权融合做出整体评分预测。其次,对所提出的推荐算法中隐因子个数和Dropout两个重要参数进行了一定范围内的实验寻优和分析。最后,从推荐结果的均方根误差和平均绝对误差这两个评估指标着手,与3种模型对比分析。实验结果表明,本文所提出的推荐算法可以更好地刻画用户偏好和服务的功能性特征,有效缓解了服务评分数据稀疏性带来的影响。