近年来,随着多种服务理念的提出与成熟,涌现出大规模不同领域的可用服务,为用户提供丰富的服务资源,极大地方便了用户的生活和工作。在大数据环境下,服务种类、服务数量的激增以及服务表现形式的多样性,使得用户难以在合适的场景下快速发现符合其需求的高质量服务,严重影响了用户体验以及服务资源的有效利用。因此,大数据环境下如何动态准确地感知用户的服务需求成为智能服务领域亟需解决的重要问题之一。针对不同的场景特征和数据特性,本文提出了两种服务需求动态预测方法,一种为情景感知的服务需求动态预测方法,该方法基于用户所处的情景信息预测用户的服务需求;另一种为多模态数据驱动的服务需求动态预测方法,该方法通过改进的多模态机器学习模型对服务使用的多模态数据进行挖掘学习,从而实现用户服务需求的动态感知。本文的主要研究内容如下:（1）基于用户所处的情景信息,提出了一种情景感知的服务需求动态预测方法。首先,基于K-means算法对大规模的用户进行分类,将相似用户的服务使用数据作为一类用户的数据,并用于需求感知模型的训练。其次,构建了一种注意力机制增强的深度交互神经网络模型（Attention Mechanism Enhanced Deep Interaction Network,AMEDIN）。AMEDIN首先通过交互单元,自适应地捕获不同场景和服务需求之间的交互关系;之后,基于注意力机制获取不同场景对服务需求的影响权重;最后,基于用户特征、加权的场景特征和服务需求特征训练AMEDIN模型,并基于训练好的AMEDIN模型预测用户的服务需求。（2）为了有效利用服务使用过程中出现的多模态数据,提出了一种多模态数据驱动的服务需求动态预测方法。该方法首先对多模态机器学习模型（MultiModal Machine Learning,MMML）进行了改进,提出了一种改进的多模态机器学习模型（Improved Multi-Modal Machine Learning,IMMML）,IMMML设计了特征共享模块,从而能够将多个不同模态的服务特征向量进行融合;之后,将MAE损失函数引入IMMML的门控循环单元（Gate Recurrent Unit,GRU）网络中,使得GRU网络能够准确学习用户服务使用的兴趣表达向量;最后,基于用户特征和用户服务兴趣表达向量训练IMMML模型,并基于训练好的IMMML模型预测用户的服务需求。图29幅,表9个,参考文献79篇。