物联网时代的到来,产生了海量数据,利用机器学习对其进行数据分析,可以从历史经验中提取相关信息,使其产生知识,并利用这些知识做出新的决定。在数据分析领域,技术人员要根据指定数据集构建合适的机器学习模型是一件非常复杂且耗时的事情,在此过程中需要在不同阶段选择合适的算法并不断调整优化算法参数,往往需要多次探索才能得到最终结果,对技术人员有很高的专业背景要求。针对于数据分析领域中算法选择难、调优难的问题,本文提出一种面向数据分析的探索式服务组合推荐方法,该方法根据数据特征及服务关联关系为用户推荐数据分析服务,辅助用户选择较优的算法,提高数据分析效率和机器学习模型性能。论文的主要工作包括:第一,提出了面向数据分析的探索式服务组合推荐方法,分为用户探索部分和系统支撑部分。用户探索部分支持最终用户参与的灵活式服务组合,用于应对探索式数据分析流程构造过程中数据分析算法不确定、服务间逻辑关系不确定的问题,负责对用户探索式构造数据分析流程提供支持,用户选取数据服务,配置数据分析任务,通过服务推荐得到一组服务推荐列表,多次探索之后,得到最终数据分析结果;系统支撑部分负责在数据分析过程中提供服务推荐,并完成对数据分析流程的执行任务。第二,提出了结合数据特征与服务关联的服务推荐算法,按步骤分为:服务关联挖掘算法、数据分析流程生成算法和单步服务推荐算法。其中,服务关联挖掘算法可以从历史数据分析流程中挖掘出常用的服务关联关系;数据分析流程生成算法综合数据特征和服务关联,生成一组数据分析流程;单步服务推荐算法根据性能和耗时因素从数据分析流程中提取出一组数据分析服务,作为推荐结果。第三,设计和实现了探索式服务组合系统。系统主要分为五个部分:服务库,探索式数据分析环境,服务推荐模块,服务关联关系挖掘模块以及执行引擎。用户从服务库内选取数据服务,配置数据分析任务,在服务推荐模块的辅助下探索式构造数据分析流程,最终流程经过执行引擎得到最终结果;服务关联关系挖掘模块负责为服务推荐模块提供推荐依据。最后进行了实验验证,实验一对比了不同数据分析流程生成方法生成的数据分析流程性能水平和耗时长短,结果表明,相较于主流Auto ML工具Autostacker,TPOT,Alpha D3M,本文所用的方法在耗时方面极大缩短了数据分析流程生成时间,将总耗时缩短至分钟级,与Alpha D3M相当;在性能方面也达到了当前Auto ML工具生成的数据分析流程性能中的较好水平。实验二比较了使用本文提出的服务推荐方法获得的数据分析流程与其他主流Auto ML工具生成数据分析流程的性能,然后与TPOT比较了服务推荐效果,结果表明,与主流工具TPOT、Autostacker、Alpha D3M相比,使用本文提出的服务推荐方法构造出的数据分析流程可以达到目前主流Auto ML工具中等及以上的性能水平;从服务推荐结果的精确率与召回率来看,相比于TPOT,本文提出的服务推荐方法表现也要更好。