随着互联网技术的快速发展,web服务推荐及其应用研究已成为学术界和工业界的重点关注方向。同时,web 2.0时代的到来,互联网中注册的web服务数量呈现爆炸式的增长。在许多面向服务的应用场景中,web服务间具有相同或相似的业务功能,而服务质量具有差异性。如何在功能相同或相似的web服务中为目标用户推荐高质量服务是当前服务计算研究领域一个重要的热点研究问题。目前,国内外学者针对服务推荐中QoS预测问题开展了较为广泛和深入的研究,已经取得显著的研究成果。研究内容主要分为两大研究热点:(1)在非时态感知的场景下,服务QoS预测问题研究;(2)时态感知的服务QoS预测问题研究。在非时态感知场景的服务QoS预测问题中,现有的研究成果主要采用协同过滤算法思想。然而,现有的基于协同过滤方法将某一目标用户调用的所有服务(或调用某一目标服务的所有用户)全部用于计算目标用户调用目标服务的QoS预测基准值,尚未考虑到在QoS预测基准值计算过程中与目标服务(或目标用户)不相关的服务(或用户)所造成的偏差。基于现有研究中存在的不足,本文提出了一种基于增强式协同过滤算法的QoS预测方法。该方法在进行协同过滤计算之前,采用RBS相似度进行邻居服务(用户)检测,修剪与目标服务(或目标用户)不相关的冗余服务(或用户),进而提升了基准值计算的可靠性。通过实验和现有的方法相比,本方法显著地提高了QoS预测的准确性。在时态感知的服务QoS预测问题中,现有的研究成果主要采用循环神经网络的序列预测模型和统计学的序列预测模型。然而,基于循环神经网络的序列预测模型在QoS预测过程中,尚未考虑到用户和服务的特征会随着时间的推移而改变,用户和服务的时态特征表达能力有待提高。在此研究驱动下,本文提出了一种基于GRU(门控循环单元)的时态感知服务QoS预测方法。该方法使用二值化调用记录重构用户与服务的特征表示模块,使之具备时序特征表达能力;同时,该方法还将用户(服务)之间的相似度特征与用户(服务)二值化特征相融合,使得特征表达能够感知上下文环境。通过实验和现有的方法相比,该方法显著地提高了时态感知的服务QoS预测方法的准确性。在最佳的实验设置条件下,QoS预测准确性提升了21%。