区块链是一种分布式账本技术,广泛应用于构建应用程序,并在此类应用程序中解决存在的信任缺失问题。随着面向服务计算（SOC）范式的不断演进,区块链即服务（Blockchain as a Service——Baa S）应运而生。用户可以通过选择区块链服务来构建自己所需要的应用程序。然而,不可靠的区块链服务将使得用户浪费资源,甚至造成信息泄露的损失。为了构建高质量的基于区块链的应用程序,用户必须选择高可靠性、高服务质量（Quality of Service——Qo S）的区块链服务。由于区块链服务数量巨大,个性化的Qo S数据稀疏,使得选择最优的服务节点变得困难。同时,由于冷启动问题的存在,当新的用户对区块链服务进行请求的时候,由于云中心没有新用户对系统中的服务请求的历史记录,系统无法对新用户进行可靠的区块链服务推荐。并且,区块链节点中存储了大量的上下文信息,如地理位置、IP地址等。如何从这些信息中提取出节点的可靠性相关信息也成为了一个难题。随着云计算的发展,云中心的服务种类呈指数增长。云服务的选择也面临着同样的问题。不少研究者为了获得缺失的云服务Qo S数据,使用各种推荐系统中的协同过滤（Collaborative Filtering——CF）技术用于服务选择。受到云计算服务的启发,我们提出了三个方法对缺失的区块链服务的Qo S数据进行预测,并根据预测出的Qo S数据计算服务的可靠性。·针对个性化Qo S数据稀疏的问题,提出了一种运行于Baa S下基于矩阵分解的区块链服务可靠性预测框架（Blockchain Service Reliability Prediction Framework——BSRPF）。首先,这个框架中,用户对区块链服务节点发起请求,节点将请求的结果返回给用户,用户再将结果提交给数据库。在数据库中将对这些结果进行计算,得到Qo S数据并生成原始的用户服务矩阵。最后,我们通过对矩阵进行矩阵分解,填充缺失的Qo S数据,丰富了Qo S信息。·针对系统冷启动的问题,提出了一种基于地理位置的矩阵分解的算法（Geographic Information Matrix Factorization——GIMF）。首先,每个用户的Qo S数据中存在一系列的上下文信息,包括用户所在的国家、城市等,通过用户所在位置的纬度计算出用户之间的地理相似性,再通过用户的历史调用记录调用来计算用户之间的调用相似性。将两种相似性进行线性融合后,使用融合的相似性进行偏好传播（Preference Propagation）来解决用户冷启动的问题。根据实验结果,GIMF在冷启动场景下性能优于其他协同过滤算法。·针对如何挖掘区块链节点中的上下文信息,提出了一种基于神经协同过滤（Neural Collaborative Filtering——NCF）的区块链服务可靠性预测算法——改进的神经协同过滤（Modified Neural Collaborative Filtering——MNCF）。首先,该方法综合考虑了区块链节点的上下文信息,如区块链节点的地理信息、区块链节点的IP地址等,挖掘这些上下文信息中隐含的区块链可靠性信息。其次,将计算区块链Qo S数据的相关因素也作为预测的目标,并引入多任务学习。多任务学习可以通过平均主任务上的噪声和参数共享来提升预测的精确程度。在一个来自真实世界的区块链数据集上进行上述三个实验,本文提出的三种方法在各自的场合下,对区块链服务可靠性预测到精度明显优于其他现存的区块链服务预测方法。