大数据时代,许多领域需要利用机器学习技术进行数据分析。但是机器学习模型构建过程复杂且耗时,如果不具备专业机器学习知识的领域专家可以根据业务需求自行构建模型,可以降低机器学习的使用门槛,提高工作效率。目前,已有很多研究提供可视化流程建模工具,建模人员可通过组合数据分析相关服务构造数据分析流程。进而,AutoML（Automated Machine Learning）工具还可根据数据及任务,自动化组合服务生成数据分析流程。但是这种以流程为中心的建模方式还存在以下问题:首先,流程视图可以清晰表达服务组合逻辑,但是领域专家关心的数据中蕴含了大量的信息,在流程视图中并不能直观表现;其次,自动生成的数据分析流程往往并不能完全符合领域专家的需求,领域专家需要根据数据特性和业务需求进行灵活的流程探索,从而结合人的动态决策和系统的智能辅助,提高数据分析效率和机器学习模型性能。针对上述问题,本文提出了一种数据驱动的智能交互式服务组合方法,在系统智能辅助下,支持领域专家基于数据视图和流程视图,交互式地构建数据分析流程。主要的工作和贡献如下:1.提出了一种结合数据视图与流程视图的编程模型。流程视图用于构建服务组合的逻辑信息。数据视图包括五种视图:数据探索视图、任务配置视图、流程性能视图、特征关联视图、超参数配置视图,用于查看和操作数据,获取数据的蕴含信息。上述信息将用于任务配置、服务选择、超参数配置等过程,从而达到评估、验证和改进流程的效果。2.提出了一种交互式的服务推荐算法。基于数据集相似性和强化学习原理,将神经网络与MCTS（Monte Carlo Tree Search）相结合,指导数据分析流程的生成,根据流程性能进行服务推荐,从而辅助构造数据分析流程,提高数据分析效率和数据分析流程性能。3.设计和实现了数据驱动的交互式服务组合系统,具体包括服务管理工具和交互式服务组合工具两部分。服务管理工具使用人员为管理人员,包括算法服务化、服务注册模块和服务展示模块;交互式服务组合工具使用人员为领域专家,包括服务目录模块、数据视图模块、流程视图模块及流程推荐模块。最后进行了实验验证,对于相同数据集,通过交互式服务推荐算法生成数据分析流程,与目前主流AutoML工具生成的流程的性能和总耗时做比较,实验证明:该方法在耗时方面缩短至分钟级别,流程性能也得到了提升。