近年来,互联网技术发展日新月异,Web服务越来越得到重视。为用户选择和推荐最优的Web服务,一直是服务计算领域的核心问题。随着Web服务的种类与数量的增多,服务推荐的难度也会随之增加。在大量的功能相同或相似的Web服务中,根据用户特征与需求,考虑服务的功能性与非功能性属性,为用户推荐Web服务是本文主要研究的内容。目前主要的推荐技术包括基于内容的推荐,基于关联规则的推荐,协同过滤推荐等。协同过滤推荐方法是推荐系统中重要的方法之一,最早出现在B2C的电子商务领域,具有良好的应用和发展前景。商家可以根据用户的偏好与兴趣为用户推荐,推荐其可能喜欢或选择的产品,比如音乐、图书、影像作品等。尽管协同过滤推荐方法在Web服务领域有一定优势,但仍然存在许多问题。新用户问题、新对象问题、稀疏矩阵问题等一直是协同过滤方法研究的热点。随着Web服务数量与用户的增多,问题带来的弊端也更加明显,如何有效的解决这些问题,提高推荐系统的性能是本文研究的重点。在本文中,首先,针对协同过滤技术与Web服务QoS信息特点相结合,提出了根据用户对Web服务QoS信息偏好建立基于用户特征的用户相似度模型。原有的用户相似度计算模型仅考虑用户历史评分,考虑用户历史评分并不能完全表现用户的偏好。比如两个用户共同选择同一个Web服务,其中一个用户可能更关心Web服务的响应时间,而另一个用户看重的是Web服务的安全性。该模型在用户历史评分信息的基础上,深入挖掘用户选择与Web服务QoS信息的关系,为用户进行细分,最终基于用户特征计算用户之问的相似度,并通过实验验证了该模型的实用性。然后,对于协同过滤方法存在的新用户问题以及新对象问题,本文提出建立用户专业度模型。通过用户在某领域的涉及度,以及用户评分的准确度,衡量用户的专业度。在为新用户推荐时,由于缺少新用户的评分信息,采取结合相似用户与专业用户的评分信息为其推荐。专业用户可以较准确的评价新对象,新对象问题也得到一定解决,本文通过实验进行了研究与总结。最后,针对协同过滤方法中的稀疏矩阵问题,分析了稀疏矩阵问题会引起的相似用户数量不足,本文提出了用户相似度传递模型。根据相似用户之间的评分项集,建立了用户信任度模型,在用户信任度模型的基础上,为用户传递相似性,提高相似用户的数量,本文运用实验分析与研究了模型的可行性。