随着大数据和云计算等以服务为导向的计算日益普及,越来越多的Web服务由服务提供商部署在互联网上,许多Web服务的功能属性是相同或类似,但其非功能性属性(如响应时间和吞吐量)可能会有很大差异,这些非功能属性通常被描述为服务计算中的服务质量(QualityofServices,QoS)。如何让用户从广泛的Web服务提供者中找出满足其功能和非功能需求的最合适的Web服务,这一点至关重要,所以,Web服务的QQoS预测研究受到了越来越多的关注。基于历史记录来预测Web服务的QQoS值是获取Web服务QQoS的有效方法。目前,常用的QoS预测方法包括了协同过滤和矩阵分解等技术,但是这些方法对QoS数据深层语义的理解有限,数据蕴含的非线性特征对这些方法来说也无法捕获到,这限制了 QoS预测的精度。此外,由于隐私保护等需求,可以挖掘利用的QQoS辅助信息有限,需要尽可能挖掘数据蕴含的内在特征来提高模型或者算法的预测能力。为此,本文开展了如下工作:首先,本文分析了当前Web服务推荐系统领域的研究现状,回顾了推荐系统的几种主要方法以及方法的优缺点。其次,通过整合深度学习和近邻信息来改进推荐系统,提出了一种基于深度因子分解和近邻正则化的QoS预测模型(NR-DFM)。利用多层感知机(MLP)来建模学习用户和服务的隐含特征的深层交互,然后最小化目标函数来学习模型。该模型类似于因子分解方法,可称为深度因子分解(DeepFactorization Model),更进一步,本文考虑用户邻居(即相似的用户)彼此间的影响,加入正则化项来描述类似信任传播的影响,以此来平滑用户特征的学习。最后,在数据集WS-DREAM上进行Web服务QoS预测,表明提出的方法在大型数据集上的预测精度要好于先前的基于矩阵分解和协同过滤的方法。深度学习能够有效地捕捉用户与服务之间的关系,组合低层特征形成更加稠密的高层语义抽象,同时考虑到近邻对Web服务QQoS的影响,大幅提高了 QoS预测精度。