近年来,互联网上开始流行一种轻量级的服务组合模式——Mashup技术,它的原理是将两种或两种以上API服务混搭在一起,构建一个全新Web应用。但是随着服务计算快速发展,越来越多的企业与部门将自身开发的服务,数据或者资源通过API的形式发布到互联网上,这导致API服务的数量变的越来越庞大。如何从这样一个大规模的API服务集合中,快速准确、多样化的推荐满足开发者用户Mashup需求的API服务,已成为一个挑战性问题。Mashup服务与API服务之间存在调用关系,所以Mashup服务的功能聚类可以对API推荐提供多样化的建议。所以本文主要针对Mashup服务聚类与API推荐这两个核心问题展开研究工作,主要内容如下:(1)提出了一种基于词向量权重的Mashup服务文本语义表示模型。为了解决Mashup服务描述文本词汇量不足的问题,我们将Mashup服务所调用API服务的标签与描述文本对Mashup服务描述文本进行扩充;通过Mashup服务描述文本与服务标签之间的语义相关性对Mashup服务描述文本特征项赋予权重,构建Mashup服务描述文本语义表示模型。通过实验仿真,结果表明本文提出的模型可以改善Mashup服务文本在聚类模型聚焦性差的问题。(2)提出了一种基于Mashup服务文本语义表示模型相似度的Mashup服务聚类方法。该方法首先计算Mashup服务文本语义表示模型之间的相似度;然后针对K-means聚类算法存在中心点选择困难的问题,提出一种基于密度峰值改进K-means与Agnes融合聚类算法(CFFC);最后CFFC算法通过模型相似度对Mashup服务进行聚类。通过实验仿真,结果表明本文提出的聚类算法可以提高聚类的效果。(3)提出了一种基于Mashup服务构建的API推荐方法。该方法首先在Mashup服务聚类的基础上构建Mashups类簇与API服务之间的历史调用关系矩阵;然后通过矩阵分解探索调用关系矩阵中的隐式因子,对历史调用关系矩阵进行缺失值的预测;最后在已经补全的历史调用关系矩阵基础上,根据用户的需求文本匹配Mashups类簇对API服务进行排名与推荐。通过实验仿真,结果表明本文提出的推荐方法可以提高API服务推荐的精度与多样性。