随着云计算等信息技术的飞速发展,云中海量的服务造成了信息过载。推荐算法是解决信息过载问题的有效方法,如何提高算法的计算效率与推荐准确性是当前服务推荐面临的重要问题。本文以云服务异质信息网络为基本点,结合关联规则与用户兴趣模型进行云服务推荐算法的研究与改进。首先,针对AvgSim算法未考虑用户评分的缺点进行改进,在计算结点间相似性时结合用户评分权重,并基于改进后的相似性度量算法建立用户兴趣模型。在MovieLens数据集上进行实验验证,实验结果表明改进后的算法提高了相似性计算的准确性。其次,针对KHM聚类算法容易收敛到局部最优的缺陷,以用户之间相似度值的倒数作为两者距离的平方,并基于服务异质信息网络中的多条元路径,改进了 KHM聚类算法。实验结果表明改进后的算法在一定程度上克服了 KHM聚类算法容易收敛到局部最优的缺点,取得了较好的聚类效果。然后,针对关联规则推荐算法个性化程度低的问题,定义结点的支持度计数为用户的评分权重,体现了用户兴趣。此外,建立多层次FP-Tree,挖掘更高层次结点之间的关联关系。在MovieLens数据集上进行实验验证,实验结果表明改进后的算法相比于传统FP-Growth算法的推荐准确率更高。最后,结合用户兴趣、改进的KHM聚类算法和改进的FP-Growth关联规则推荐算法进行云服务推荐,实验结果表明三者相结合提高了云服务推荐的计算效率与推荐结果的准确率。