随着电子商务,特别是即用即付云模式的进步推动了 Web服务的快速发展。由在线Web服务存储库ProgrammableWeb发布的统计数据表明,过去几年中已发布的Web服务数量快速增长,Web服务和面向服务的体系结构(Service-oriented architecture,SOA)的流行允许构建不同的面向服务的应用程序,以满足各种组织日益复杂的业务需求。然而,随着Web服务的日益增长,出现了大量功能相同的服务,如何从这些功能相同的候选服务中为用户推荐最佳的服务已成为一项极具挑战性的研究课题。服务质量(Quality of Service,QoS)被广泛用于描述和评估Web服务的非功能属性,目前已成功应用于服务推荐中。在Web服务推荐当中,预测服务缺失的QoS值是很有必要的,其中矩阵分解(Matrix Factorization,MF)技术受到了人们的关注。近年来,研究人员开始使用用户相似度来改进基于MF的服务质量预测方法。然而,这些方法都没有很好且系统的解决两个主要问题:1)取合适的邻域信息;2)充分利用邻域信息。此外,矩阵分解方法是在用户和服务的潜在特征上应用内积,但是内积仅仅是线性组合潜在特征,可能不足以捕获用户交互数据的复杂结构。因此,本文提出两种新颖的基于矩阵分解和深度学习的服务质量预测方法。主要贡献如下:(1)提出一种基于覆盖的服务质量预测方法CNMF(a covering-based quality of service prediction method is proposed)。该方法是一种基于邻域感知矩阵分解的Web服务质量预测方法。CNMF的新颖之处有两方面。首先,它采用一种基于覆盖的聚类方法寻找相似用户和相似服务,该聚类方法不需要预先指定类的数量和类中心。其次,利用用户和服务的邻域信息提高预测精度。CNMF首先使用覆盖算法计算用户与用户、服务与服务之间的相似度;接着使用Top-k机制选择相似用户和相似服务;最后将用户邻域信息和服务邻域信息结合到矩阵分解模型中进行QoS预测。实验结果表明,通过改进用户和服务的相似度计算方法以及加入服务邻域信息,CNMF明显优于现有的8种质量预测方法,其中包括两种最近的利用MF结合邻域信息的方法。(2)提出一种基于深度学习的服务质量预测方法DeepL(a quality prediction method for Web services via deep learning)。该方法首先利用用户ID信息和服务ID信息得到用户潜在特征向量和服务潜在特征向量,接着将用户向量和服务向量作为深度学习模型的输入。为了使DeepL方法具有非线性,该方法利用多层感知机来学习用户和服务的非线性关系。实验结果表明,DeepL方法在预测精度上优于现有的方法,包括现在主流的基于矩阵分解的预测方法。(3)为了验证本文提出方法的有效性,我们在真实的Web服务数据集进行实验。该数据集总共包含5825个Web服务的1,974,675条调用记录,这些记录是由分布在世界各地的339个用户的调用生成的。每条记录都有两个质量值,即,响应时间(Response Time,RT)和吞吐量(Throughput,TP),该数据集目前是已经公开发布的真实环境下最大规模的QoS数据集。