随着互联网技术的不断发展,Web服务作为面向服务的体系架构模式的最佳实践方式,被用来提供新的网络服务,以服务为中心的互联网新时代正在到来。在这种环境下,服务数量呈现出爆炸式的增长,海量的服务被部署在各种云中心和网络环境中,传统的服务发现和选择方式已不能满足用户的需求。基于此,服务推荐技术应用而生。服务推荐技术实现了由被动接受用户请求向主动感知用户需求的转变,能够将用户从海量的服务中解脱出来,为用户提供精准推荐。由于网络的不稳定性和不同用户所处的网络环境的不同,同一Web服务对不同的用户可能具有不同的QoS值。而且,让所有用户调用全部的待选服务从而选择出最优的Web服务又是不切实际的。因此对Web服务进行QoS预测以辅助服务推荐系统进行更好的推荐成为了一个亟待解决的问题。本文主要研究了Web服务QoS预测问题,对当前常见的Web服务QoS预测方法进行了梳理,对其中存在的问题进行了分析。由于Web服务的QoS与用户的位置信息具有很大的相关性,我们提出了一种基于位置最近邻与矩阵分解的Web服务QoS预测方法。具体而言,本文的主要研究内容和贡献有以下几点：首先,我们介绍了Web服务及推荐系统的相关理论。论述了Web服务,服务质量QoS的基本概念,对推荐系统的分类和主要的推荐算法进行了说明,并讨论了当前推荐系统中面临的主要问题。其次,我们介绍了传统的矩阵分解技术和相似性计算算法。并在此基础上提出了一种引入位置信息的用户邻域选择模型和服务邻域选择模型。在选出用户和服务的邻域后,我们将用户和服务的邻域信息以正则项的方式引入到矩阵分解模型,通过梯度下降算法求解目标函数的最小值,以期提高QoS预测的准确度。最后,本文用Python语言编程进行了相关实验研究,并与当前流行的算法进行了对比,验证了本文方法的有效性。