随着服务科学的纵深发展，服务产业链逐步形成，已成为国民经济的支柱产业。　　作为服务科学的支撑技术，服务计算技术在理论与实践两方面臻于成熟完善，却也面临着新的问题与挑战。随着服务计算的发展，网络上的“服务”越来越多，造成信息的过载，这些海量的信息已远远超出人们能接受与处理的有效范围。作为解决信息过载的有效手段，服务推荐应用而生。但是服务推荐系统面临着诸如数据的稀疏性、冷启动以及推荐精度不高等问题。针对推荐系统存在的问题，本文将新的聚类思想、时空概念、服务社交网以及服务网络等概念与模型引入到服务推荐当中，从不同的角度，不同的侧面，不同的层次对服务推荐进行分析研究，以提高服务预测准确性，提高服务推荐精度。　　论文的创新点如下:　　一、基于用户聚类的服务推荐算法(UCC-CF)　　本论文提出了一个全新的服务QoS预测框架系统，旨在提供个性化的以用户为中心的服务推荐系统。考虑到云服务的内在的动态、分布、虚拟化的特质，论文假定:具有相同历史调用信息的用户（例如分布距离、开发环境、网络质量）具有大致相同的服务质量。与此同时，对于云服务提供商来说，相同的用户行为则有相同的服务QoS。论文的核心部分是根据聚类算法将用户和服务划分成根据不同的用户分组，用用户组-服务矩阵代替原来的用户-服务矩阵，通过这些分组来预估未知服务的QoS。提出的UCC-CF算法是在用户聚类完成后，运用协同过滤算法预测聚类的QoS值，从而进行推荐。　　二、基于时空感知的服务推荐算法(TLCF)　　论文针对由于网络动态变化造成的服务QoS预测不准确问题展开研究。考虑时间与空间对服务质量的影响，将时间与位置信息引入到服务的QoS预测中，将二维的用户-服务矩阵转化为三维的用户-服务-时间矩阵，服务质量与服务激活时间密切相关，调节时间窗口大小，可控制预测精度。同时考虑位置信息对于服务质量的影响，将IP地址划分用于服务与用户的分组中，相同网段的用户与服务被划分为同一个组内，使得服务的搜索限定于较小可控的范围内。提出的TLCF算法将IP地址作为近邻选择的依据，体现预测的位置相关性。　　三、基于服务社交网的服务推荐算法(SNN-CF)　　针对云计算环境下对服务推荐的可信需求与减小服务推荐的搜索开销的需求，提出服务社交网SSN模型。提出的SSN模型进行分布式的信息存储与维护，防止了因网络的动态性造成的单点失效、性能瓶颈和负载不均衡等问题。该模型主要定义了两种关系，分别是推荐关系与信任关系，提出了对推荐度与信任度的计算方法，利用奖惩因子与时间衰减因子对信任度实时更新，使得越近发生的行为对于信任值的影响越大，更好地体现节点当前的行为特点。基于服务社交网的协同过滤推荐算法SSN-CF对于恶意行为能进行有效的防范。该算法对于提高服务搜索效率提高推荐精度切实有效。　　四、基于服务网络的服务组合推荐算法(U MAT-CSRA)　　针对服务组合的推荐问题，利用ProgrammableWeb.com网站上注册的的用户、标签、服务与服务组合(Mashup)信息，构建了一种由用户、标签、API（服务）、Mashup（服务组合）构成的服务网络UMAT模型，该模型提出将服务与服务组合的注册信息直接应用于服务与服务组合的推荐，提出基于服务网络(Basedon UMAT Composition Service Recommendation Algorithm UMAT-CSRA)的服务组合推荐算法，通过UMAT网络中各个相似度的计算，设定服务请求与UMAT网络中相似度的一定阈值，来控制通过在ProgrammableWeb.com网站上的服务与服务组合的推荐服务的长度。通过在真实的ProgrammableWeb.com网站上注册的的用户、标签、服务与服务组合(Mashup)信息实验，从召回率、准确率等指标都说明，UMAT-CSRA算法具有较好的服务推荐效果，是解决服务组合问题的一种新思路。