Web服务作为面向服务架构(Service Oriented Architecture,SOA)的一种应用方式,利用各种基于可扩展标记语言(Extensible Markup Language,XML)的标准和协议,规范服务的各个环节,使得跨平台资源共享与应用集成技术迅猛发展。伴随着网络中服务数目的猛增,如何精准预测服务质量(Quality of Service,QoS),继而高效地向用户推荐服务显得愈加重要。在QoS预测的经典算法中,协同过滤算法预测精度常受制于数据稀疏度,也不适用于冷启动问题。矩阵分解能更好地应对数据稀疏情况,但依然对时空信息利用不足,存在结果解释性不强的问题。此外,当前研究大多针对某一QoS属性,对综合属性的预测极少。为此,本文展开如下研究:利用用户与用户、用户与服务以及服务与服务之间的深层隐藏关系,使用非负多矩阵联合分解(Non-negative Multiple Matrix Factorization,NMMF)算法,在共用基矩阵和系数矩阵的基础上,将用户相似度关系矩阵、服务相似度关系矩阵及QoS矩阵三个矩阵分解为四个矩阵。之后以分解出的低纬矩阵的乘积,作为原矩阵中未知值的预测结果。通过研究用户(服务)位置对其相互间相似度的影响,在皮尔逊相似度基础上,按区域设置不同的偏置,提出利用用户(服务)位置信息来提升其相似度准确性的方法。在此基础上,改进NMMF模型中的两个辅助矩阵,提出基于位置的非负多矩阵联合分解(Location based Non-negative Multiple Matrix Factorization,LNMMF)预测算法。提出服务效率这一QoS属性的综合描述方式,将其表示为服务吞吐量与响应时间的比值,以达到服务吞吐量及响应时间合并预测的效果。在研究该比值数据特征的基础上,将LNMMF算法应用于此综合属性的预测,也进一步扩展了LNMMF算法的应用。使用真实数据集验证了提出的方法。实验表明:NMMF算法能够充分利用辅助矩阵的隐含信息,预测精度高于常规经典算法。通过位置关系提升辅助信息的准确度,LNMMF算法在数据稀疏的情况下,能够进一步发挥辅助矩阵的作用,明显提升预测精度。