随着服务计算和移动互联网的迅猛发展,服务计算的研究对象从原有的Web服务扩展到API服务、移动App服务等多种类型的服务。同时,服务数据规模不断扩大,数据来源日益多样化。服务类型和服务数据的繁荣不仅给用户带来更多的服务选择,为服务计算研究带来新的机遇,同时也对传统的服务挖掘方法提出了新的挑战。面对多源异构的服务数据,需要研究新的服务挖掘方法以解决如何有效地整合不同的服务数据源,如何构建服务对象间复杂的网络关系,如何融合服务的不同视图特征等问题。本文针对多源异构的服务数据,围绕基于社交媒体信息的服务发现、基于异构信息网络的服务聚合、基于多视图特征融合的服务推荐、基于深度学习的服务推荐等服务挖掘中的关键问题展开研究,主要工作与贡献如下:针对传统服务发现研究中因数据来源单一而限制服务发现效果的问题,引入服务的社交媒体信息,提出融合不同社交因子的服务发现方法。该方法基于Twitter中API服务的相关社交信息,提出语义相似度、流行度、活跃度、以及衰退度四个社交因子,并采用不同的方式度量这四个社交因子。针对社交因子融合问题,提出一个权重学习算法训练每个社交因素的贡献度,最后通过整合了所有社交因子的加权线性模型为给定的查询实现服务搜索。引入包含了丰富的直接反馈信息和集体知识的社交煤体信息,极大程度上丰富了服务的语义信息,同时能够更全面地满足用户对于服务功能性和非功能性的需求。相关实验证明了社交媒体信息的引入对服务发现效果的提升。针对服务数据多源异构、数据关系复杂的特点,提出基于异构信息网络的服务聚合方法。该方法构建了服务异构信息网络,并提出基于服务实体间不同元路径的相似度度量方法,结合协同过滤方法,在BPR模型训练框架下学习面向服务聚合的服务推荐模型。这种将服务数据表示成统一的异构信息网络的方式,有效地整合了多源异构数据,通过利用包含不同语义信息的元路径下的相似度能够考虑用户多种需求从而提高服务推荐的质量,增强模型的可解释性。相关实验验证了基于异构信息网络的服务聚合方法的有效性。针对服务数量日益增长形势下信息过载的问题,结合服务的多样化特征,提出基于多视图特征融合的服务推荐方法。该方法针对不同类别的服务构建不同的特征交互,将类别信息、多视图特征、以及不同视图特征间的交互构建为一个统一的张量结构以获取他们的全阶交互信息。利用张量分解技术训练高维特征交互张量结构对应的权重参数,有效降低了张量参数求解的时间和空间复杂度。同时,利用正则项约束进一步提升服务效果。该方法有效地解决了多种类型服务数据特征的整合问题和对高维特征交互结构的训练问题。最后,通过一系列基于真实数据的实验,证明了本文提出的基于多视图特征融合的服务推荐方法的有效性。深度学习能够对多源异构数据进行自动特征学习,将不同数据映射到一个相同的潜在空间来获得数据的统一表征。为了将深度学习强大的表征学习能力应用于多源异构的服务数据,本文提出一个基于神经网络的服务推荐方法。该方法构建一个包含两层注意力机制的层次神经网络对多视图特征之间的交互建模以实现用户对服务的偏好预测。该神经网络主要包括:一个用于构建不同视图特征间交互的成对交互层,能够有效缓解特征交互易产生冗余信息的问题;一个特征级注意力机制,为获得更准确的视图表征而学习每个视图中特征的权重;一个视图级注意力机制,通过学习不同视图交互的权重对其不同贡献进行区分。通过神经网络的同步训练,学习非线性模型的参数,有效地筛选了起决定性作用的特征及特征交互信息。相关实验验证了基于神经网络模型的服务推荐方法的有效性。