互联网技术的快速发展,大数据时代的到来,随之而来的是网民规模的快速扩增及信息量的急速扩充。一方面,海量的信息满足了人们对生活中各个方面的需求,另一方面,大量混杂的信息使得用户无法及时准确的获取到所需信息,因此,人们在享受着大数据时代带给生活便利的同时也面临严重的“信息过载”问题。在这种情形下,推荐系统的出现成为解决信息过载问题有效的方式之一。推荐系统本质上是一个信息过滤系统,通过对用户历史行为的分析,挖掘用户的行为偏好,进而帮助用户过滤掉海量信息中无用的信息,推荐符合用户偏好的信息。由于领域无关性和易于解释性,协同过滤成为目前实现服务推荐的有效方法之一,然而,传统的协同过滤算法还存在一些不足,例如,推荐方法的效率不高,难以满足用户的高响应需求以及对用户隐私信息难以有效地保护,易引起用户隐私信息泄露等。如今,局部敏感哈希（Locality Sensitive Hashing,LSH）技术被应用于服务推荐领域,以实现对用户QoS（Quality of Services）隐私数据的保护和高效率的推荐,从而有效地弥补了传统的协同过滤推荐算法的不足。然而,传统的基于LSH的推荐方法仍存在着一些问题,具体地,（1）传统的基于LSH的推荐方法在QoS数据比较稀疏的情况下具有一定的局限性,因此,无法很好地解决稀疏性及冷启动问题。（2）目前对于基于LSH的推荐方法的研究,仅限于单维质量数据（如:响应时间或吞吐量）,而未考虑到多维质量数据（如:响应时间与吞吐量）以及不同质量指标之间可能存在的相关性问题;因此,这不利于提高服务推荐系统的适用性、准确性,也会导致推荐结果的不合理性。针对以上的不足与挑战,本文提出了多维质量驱动的隐私感知的服务推荐方法MD-LSH以及多维质量驱动的关联性感知的服务评估方法MD-TOPSIS,具体研究内容归纳如下:（1）本文提出的服务推荐方法MD-LSH,主要对传统的基于LSH的推荐方法进行改进,使其适用于多维质量驱动的服务推荐场景中。具体地,MD-LSH首先分析用户的多维历史QoS数据,以构建用户-服务的多维质量矩阵;然后利用LSH离线构建低隐私或无隐私的用户索引矩阵,并通过用户索引矩阵寻找相似用户;最后进行服务QoS预测并生成候选的服务推荐列表。实验证明,本文提出的MD-LSH方法,能在保护用户隐私的前提下,提高服务推荐系统的准确性、适用性、高效性,并克服了由数据稀疏性导致的部分冷启动问题,从而使系统更具鲁棒性。（2）本文提出的服务评估方法MD-TOPSIS,引入马氏距离（Mahalanobis Distance）来消除多维质量数据之间的相关性,并结合多目标决策方法-TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）对MD-LSH方法中生成的候选服务列表进行综合评估和排序。具体地,MD-TOPSIS方法根据候选服务列表构建待评估矩阵,以确定正理想解与负理想解;然后,利用马氏距离计算待评估服务与正理想解、负理想解的距离;最后,计算各候选服务的效用值,并据此对推荐列表内的服务进行排序,以选择最佳的服务推荐给用户。通过案例分析,证明了MD-TOPSIS方法的可行性。