随着云计算、大数据、面向服务架构(SOA)技术的发展,大服务生态系统应运而生。如何从大规模的功能属性相同而非功能属性不同的候选服务中为用户有效地推荐满足其个性化需求的服务已成为一项极具挑战性的研究课题。目前QoS已经广泛应用于服务组合、服务选择和服务推荐系统中。然而,在真实的Internet环境中,由于种种条件的限制,用户不可能通过调用所有服务来获取这些服务的值,这就导致用户-服务矩阵非常稀疏,从而导致一些预测方法在预测QoS缺失值时预测精度的下降。为此,推荐系统需要在QoS信息稀疏的情况下为用户推荐满足其个性化需求的服务。其次,针对QoS会随着时间变化而不同的特性,需要研究时间感知的服务质量预测方法。为了解决以上两个问题,本文提出了两种基于神经网络算法的Web服务质量预测方法。本文的主要贡献如下:(1)提出了一种基于SOM算法的服务质量预测方法SOMQP。该方法通过引入具有拓扑结构的领域函数,将所有的神经元都置于一个根据先验知识而事先确定的拓扑结构,从而可以达到较为稳定的聚类结果。然后,根据聚类结果,应用一种新的Top-k选择机制,为目标用户和目标服务选择相似用户和相似服务。最后,采用混合的预测方法对缺失值进行预测。实验结果表明,在数据非常稀疏的情况下该方法的预测精度优于主流的预测算法。(2)提出了一种基于覆盖算法的服务质量预测方法UIQPCA。该方法主要有两个阶段:基于历史时间片的QoS预测和基于当前时间片的QoS预测。在基于历史时间片的预测阶段,首先需要根据前面时间片上用户调用服务的历史QoS数据,对该用户调用该服务的下一个时间片上的缺失值进行预测;如果该用户在之前的时间片上没有调用过该服务,那么就需要使用覆盖算法去识别目标用户和目标服务的相似用户和相似服务,然后基于相似用户和相似服务的历史QoS数据对缺失值进行预测。在第一阶段对历史时间片上的缺失值都预测填充后,就可以根据历史时间片上的数据对当前时间片的所有的用户-服务的QoS值进行预测。实验结果表明,该方法可以很好地解决QoS动态变化时的预测问题。(3)最后,通过在真实WS-Dream数据集上进行大量实验来验证本文提出算法的预测精度。实验结果表明,与经典的CF算法,基于改进的PCC预测算法和基于k-means的预测算法相比,SOMQP算法的QoS预测精度提高了 34.9%、29.5%和 4.3%;UIQPCA 算法的预测精度提高了 22.5%、11.9%和 8.7%。