近年来,“云智大物移”等先进技术的快速发展和应用于各行各业,产生了“万物皆服务”的趋势。各领域的可用服务越来越多,服务之间的互联互通形成了服务互联网。在服务互联网中,服务呈现出两个特性,一是丰富性,二是动态性。这两个特性也带来了一些问题和挑战。一方面,服务的动态性可能造成用户无法了解和掌握服务的变化,从而无法根据变化做出及时调整,影响用户的使用体验。为了能从发布的服务相关信息中及时获知服务的变化并告知用户,服务的变化感知的研究显然必不可少。另一方面,服务的丰富性导致了严重的信息过载问题,用户难以在海量的服务中找到自己感兴趣的服务,一些真正符合用户需求的优秀服务也会因为没被发掘而淹没。为了帮助用户快速且准确地找到适合的服务,同时增加冷门的优秀服务的曝光机会,针对用户的动态服务推荐技术就显得尤为重要。本文针对上述两个问题,以移动服务和O2O服务作为研究对象,从以下几个方面展开了一系列研究:(1)在移动服务场景下,首先,基于应用商店这一服务聚合平台所提供数据,从移动服务的加入与退出、移动服务受欢迎度、移动服务功能变化三个方面入手,给出了每种感知方法的具体实现。然后,为了给用户个性化地推荐移动服务,引入了一种叫做个人服务生态系统的模型来建模用户对于移动服务的偏好。最后,在采用移动服务功能变化感知方法和个人服务生态系统模型进行双向感知的基础上,创新性地提出利用个人兴趣演化网络模型来捕捉移动服务功能变化轨迹与用户移动服务偏好轨迹之间的关系,并以个人兴趣演化网络为核心,进一步提出了基于双向感知的移动服务推荐方法框架。另外,为了验证提出方法的有效性,还进行了大量的实验,同时,还开发了工具来展示结果。(2)在O2O服务场景下,研究了O2O服务变化的感知。但限于实际情况中与O2O服务相关数据的稀疏性且大多只与服务功能相关,因此只关注O2O服务的功能变化。对于O2O服务功能变化的感知,本文创新性地将其分解功能变化类型的分类任务与变化功能的识别任务,并提出一种基于BILSTM+CRF与TWOLAYERLSTM的识别与分类模型来解决该问题,还进一步通过实验来评估了该感知方法的效果以及通过开发的工具来展示结果。