Web服务作为一种在互联网环境下自适应、自描述、模块化并具有良好互操作能力的应用程序和功能独立的软件组件,已经在电子商务、企业应用集成和业务流程管理等应用领域扮演着重要的角色,不断影响着现代服务业创新模式推广与泛化应用。随着Web 2.0技术的兴盛,Web服务在过去的十年里呈现蓬勃发展的态势,目前规模最大的Web服务在线注册平台Programmable Web已注册23,038个服务,涵盖488个类别的应用领域。然而,当服务提供者发布新服务时,从规模庞大的服务类别中挑选出最相关的标签往往不仅耗时耗力,且难以精准选择满足服务需求的功能类别。因此,如何由发布者提供的功能描述实现服务自动分类,并推荐最匹配的标签供其选择是一种有效的解决方案,近年来已成为服务计算研究领域的热点研究问题。现有的Web服务分类方法大多将研究的重点放在如何更准确地得到服务的特征表示,尚存在如下不足之处:(1)现有研究在服务分类时考虑的类别数较少,难以实现多样化应用场景中的服务注册的标签推荐。(2)服务数据集具有不均衡性,即不同类别对应显著差异化的Web服务数,现有研究在服务分类时较少考虑服务的长尾分布特征。(3)Web服务描述通常文本较短,现有方法仍然难以准确地抽取服务的稀疏特征。在此研究背景下,本文以Web服务分类问题为研究对象,以服务分类的多样性为驱动,重点针对具有长尾特征的Web服务分类问题开展研究工作,以提高服务长尾分类的准确性为目标,创新性地提出了基于深度学习模型的Web服务长尾分类方法。本文所做的工作主要包含以下两个方面:(1)服务长尾数据采集与可视化。为了支撑本文研究的服务长尾分类问题所需的多样化服务类别和大规模Web服务数,本文利用Python爬虫采集Programmable Web在线服务平台中Web服务,构建包含多种类别和Web服务的服务长尾数据集。针对采集的服务,首先分析了Web服务数据集具有不平衡性,呈现出显著的长尾分布特征;同时分析了服务描述的平均长度在40个词左右,具有短文本特性;最后,为了便于应用据集,实现了一套服务查询和长尾数据可视化系统。(2)提出了基于深度学习模型的服务长尾分类方法。针对服务长尾分类问题,研究和实现了一种基于标签嵌入和注意力机制的长尾分类模型,该模型结合标签嵌入和多头注意力机制更准确地提取短文本服务的特征,同时采用针对长尾问题的损失函数解决数据集不均衡影响分类模型准确性问题。为了验证本文提出的服务长尾分类方法的有效性,在前面采集的服务长尾数据基础上,利用服务数最多的80个类别作为实验数据集,并划分了Overall,Niche-20,Niche-30和Niche-40四个测试集用于服务长尾分类问题的对比实验,实验结果表明本文提出的服务分类方法比目前效果最好的方法具有更好的长尾分类准确性。