随着互联网的快速发展,网络中出现众多功能相同但非功能属性不同的服务,用户无法尝试所有的服务,因此如何准确把握服务的QoS并为用户推荐满足其需求且QoS属性较好的服务,是现在服务计算与服务推荐中重要的研究方向。虽然协同过滤算法已经广泛应用在服务推荐领域中,但大多数服务推荐算法都是基于数据集是静态的情况下,即认为QoS数据在服务推荐过程中不发生变化,但实际情况是QoS是动态变化的。这是因为用户在调用服务的过程中会受到用户自身网络、服务器网络、服务器荷载等因素的影响,使得用户在不同时间调用服务的QoS值不同。因此,如何在动态数据环境下,预测用户对未体验Web服务的QoS值,并以此为依据为用户选择合适的服务成为了现在Web服务推荐中重要的研究内容。为了克服这个缺陷,可以采用增量学习的方法,研究动态数据环境下增量算法,当服务推荐系统中出现用户调用服务过程中的实时动态QoS数据时,算法应立即此数据进行响应,并在线更新模型参数,提供高效及时的服务推荐。本文的主要成果有:(1)对偏差进行深入研究,提出了八种偏差组合形式,并将偏差加入Slope One算法中,得到基于偏差的Slope One算法。在WS-Dream两个数据集上进行实验,实验结果表明加入偏差的Slope One算法可以提高算法的推荐精度。(2)针对QoS动态变化的特性,研究动态环境下Slope One算法的增量更新机制,得到增量Slope One算法、增量加权Slope One算法、增量双极Slope One算法。其原理是从原有的公式中分解出固定因子与增量因子,将用户的平均偏差视为两个增量因子的商,当数据发生变化时只需要更新相应的增量因子的值,就可以得到最终的预测结果。最后在WS-Dream两个数据集上设计实验,分析比较增量算法和静态算法的推荐准确度,实验结果证明增量算法在保持准确度的同时能大大缩短模型的训练时间。