互联网中海量服务为用户快速地找到符合需求的服务带来了挑战,用户如何从海量服务中选择满足需求的服务成为了一大难题。为解决此问题,服务推荐被提出,并且成为了非常热门的研究领域。目前服务推荐方法存在服务侧或用户侧辅助信息利用不充分、服务或用户特征表示不够准确,以及数据稀疏和冷启动导致的推荐准确率不高的问题。数据与信息是服务推荐的基础和依据,因此本文利用服务侧和用户侧的辅助信息,依托深度学习强大的特征表示能力和矩阵分解的可扩展性,分别从服务特征提取、用户特征提取和服务推荐算法等三个方面进行研究,提出了一种基于深度学习和概率矩阵分解的服务推荐方法。本文在对CNN、Bi LSTM、自编码器以及矩阵分解等技术理论进行分析研究的基础上,对基于深度学习和概率矩阵分解的服务推荐进行了深入研究。首先,设计了一个基于深度学习和概率矩阵分解的服务推荐框架,给出了服务推荐的具体流程。然后,构建了基于混合神经网络的服务特征提取模型。该模型采用word2Vec将服务描述文本转换为词向量;采用Bi LSTM提取服务的全局特征;使用CNN提取服务的局部特征,并在卷积层与池化层之间嵌入注意力机制突出重要特征;在进行全局特征和局部特征融合时,使用自注意力机制进行特征的动态权重分配,赋予更多的权重和关注在重要的单词特征上。同时,构建了基于扩展降噪自编码器的用户特征提取模型。该模型将用户辅助信息和评分信息输入到扩展降噪自编码器中,按照一定的比例随机添加噪声,先对有噪声的输入进行多层编码操作,得到更深层次的用户特征表达;再进行解码操作,通过不断训练,最终得到用户潜在特征向量。最后,建立了基于扩展概率矩阵分解的服务推荐模型。将评分数据、用户特征向量和服务特征向量融入到概率矩阵分解算法中进行评分预测,选取前Top-N评分的服务推荐给用户。文中选取均方根误差为评价指标,将本文提出的服务推荐方法在真实数据集上进行实验对比,结果表明本文提出的服务推荐方法优于其他方法,可以有效提高服务推荐准确率。