随着现实业务和IT服务业的不断融合,各种跨平台、跨行业的信息创新模式催生了更多泛化的Web服务,以满足用户日常应用中的个性化需求。但伴随着服务数量的剧增,用户逐渐面临服务选择带来的巨大挑战。针对用户的各种需求,从服务海洋中选择具有不同属性和功能的候选服务,并进一步实现服务组合,完成用户的更复杂的业务流程需求,一直都是服务计算领域的热点问题。个性化推荐技术通过分析用户的历史偏好数据,建立用户画像,主动为用户推荐满足其需求的服务,能够有效解决服务过载的问题。随着新生服务在互联网中的不断发展,用户对于Web服务在满足其功能性需求的基础上又对其非功能性属性（Quality-of-Servicce）如调用时间、可达性和成功性等提出了更高的要求。用户对于服务的直观感受通常是根据服务的非功能质量属性来判断的,导致以Web服务为基本单元的网络应用的性能将高度依赖这些服务的质量。此外用户在不同的情境下对Web服务的非功能性需求也不尽相同,如何为用户推荐满足其非功能性需求的Web服务成为当前研究重点之一。因此本文针对不同情境感知服务推荐场景,结合服务上下文、地理位置、动态时序和信任关系四个不同的情境信息,设计了适应动态场景变换的QoS预测模型,提出了高质量的Web服务推荐方案。论文的主要研究内容有:（1）针对Web服务上下文对用户调用服务的影响,提出了基于服务端上下文聚类的QoS预测算法WSFNIMF。通过分析Web服务的WSDL文件得到可以描述Web服务上下文的词向量,根据Web服务的词向量之间的距离进行服务聚类,得到服务的近邻集合。同时也考虑了用户之间的QoS相似性进行Top-K近邻聚类,将两个聚类结果添加到模型约束项中以优化QoS预测的目标函数。通过约束用户近邻和服务近邻在学习用户和服务的隐式因子的迭代学习,提高预测结果的精确度。实验结果表明WSFNIMF算法能够有效提高大规模QoS数据中缺失值预测的准确度,从而产生高质量的Web服务个性化推荐方案。（2）针对同一地理位置区域中虚假用户对QoS预测提供的不可靠信息的影响,提出了基于地理位置区域近邻可靠性的QoS预测算法LRMF。分析用户在以往调用服务过程中的历史QoS记录,设计了迭代式的用户可信度评分机制,根据用户的地理位置信息进行区域聚类,在此基础上可以发现在同一个地理区域内的虚假用户及其不可信的历史QoS。将用户的地理区域聚类结果和用户的QoS可信度评分集成到矩阵分解模型中,实验结果表明LRMF算法能够有效提高QoS预测的准确度,并且避免虚假用户提供的不可信QoS历史记录对QoS预测造成的不良后果。（3）针对动态时序网络环境波动造成的QoS难以预测的问题,提出了基于动态时间序列感知的QoS协同预测算法,为用户历史QoS记录预测其未来时间间隔内调用Web服务的QoS值,实现实时在线个性化Web服务推荐方案。为了满足用户在实时调用Web服务时的非功能性需求,将用户调用Web服务的时间序列作为协同过滤模型中的一个动态因素,同时考虑在当前时间间隔内与目标用户具有相似QoS调用记录的用户近邻对目标用户在下一个时间间隔内调用Web服务的QoS的影响,设计了动态时间感知的QoS预测模型TMF。在得到预测结果之后根据用户自身的时间序列值及其近邻时间间隔内的预测值进行平滑优化,提高QoS预测的准确度。（4）通过借鉴社交网络中用户之间的信任关系对用户偏好选择的影响,来分析用户潜在的QoS信任相关性对Web服务推荐的影响。通过分析用户之间的历史QoS相似度提取用户之间潜在偏好选择关系,得到用户在历史QoS偏好上的潜在信任程度,通过对用户之间的信任程度进行阈值划分成为强信任关系和弱信任关系,将用户之间不同强度的潜在信任关系结合矩阵分解方法,提出了基于用户间潜在QoS选择偏好信任的预测算法LTMF,从而生成高效、可靠的个性化Web服务推荐方案。