随着服务计算与云计算的不断发展,Web服务的数量逐年增多,服务发现成为一个日趋重要的问题。服务发现能否成功很大程度上取决于Web服务的类别标注是否准确,但人工标注耗时耗力且容易出现错误,因此,进行服务的自动分类变得非常重要。现有的Web服务仓库中所包含的服务类别与对应的服务数量通常遵循长尾分布,即绝大多数的Web服务样本只属于少量常见类别（头部类别）,而大多数类别（尾部类别）包含的Web服务数目都十分有限。本文对各个类别进行的分类实验表明,尾部类别由于标注样本的稀疏,其分类效果会远差于头部类别。当前大量的Web服务自动分类工作往往都直接忽略了尾部类别,只在头部类别上进行研究。除此之外,对于Web服务描述所具有的语义密度低即语义稀疏的特点,这些研究也没有提出很好的解决方案。Web服务多分类以及多标签分类是服务分类的两种典型场景,服务多分类是指为服务分配唯一的类别标签,而服务多标签分类是指为服务分配一个对应的类别集合,本文对于尾部类别上的这两种任务均给出了相应的解决方案:（1）针对小样本Web服务多分类问题,为了缓解上述的样本以及语义稀疏问题,本文基于目前主流的元学习方法提出了一种名为多元信息融合的小样本Web服务多分类方法（Multi-Information Fusion Based Few-shot Web Service Multi-Classification,MIFFWSMC）。MIF-FWSMC能够融合头部类别中以及服务类别名称中的分类信息来克服样本的稀疏性,融合训练集上的无监督词分布信息以及小样本场景中的有监督词分布信息来克服语义的稀疏性。MIF-FWSMC通过将多分类问题转化为多个回归问题来提高分类效率,使得模型能够在多个类别中快速且准确的找到服务最有可能属于的类别。（2）针对小样本Web服务多标签分类问题,本文在MIF-FWSMC的基础上提出了一种名为多元信息融合的小样本Web服务多标签分类方法（Multi-Information Fusion Based Few-shot Web Service Multi-Label Classification,MIF-FWSMLC）。MIF-FWSMLC修改了描述向量生成器,使其能够融合多个服务类别名称中的分类信息;同时还修改了分类组件,使其回归对象由概率变成了对数几率,以此提升模型的准确率和稳定性。同时,MIF-FWSMLC还能够自动学习类别正负样本的分类阈值,从而快速且准确的找出服务最有可能属于的类别集合。对于以上两类问题,论文实验部分通过在两个真实的Web服务数据集上控制每一轮小样本场景所包含的类别数目来分别构造对应的任务场景,并且从多个维度开展了相关实验验证了所提方法的有效性。