QoS属性是衡量Web服务质量的重要指标,对Web服务缺失的QoS属性值进行预测能够更好地为用户提供服务,所以准确预测QoS属性值具有重要意义。目前大多数的预测方法都是基于近邻或模型的协同过滤算法,采用的大多是根据用户和服务的历史信息建立的“用户-服务”二维矩阵,预测的QoS值是静态的。当前的互联网Web服务调用场景比较复杂,用户在不同的时间段、不一样的地理位置都会对Web服务进行访问,此时的QoS值是动态变化的。传统的二维矩阵数据已经无法满足QoS预测的需求,且矩阵数据没有考虑时间等因素的影响,导致预测的准确率也不高。为了解决该问题,本文将时间信息维度引入张量模型,建立“用户-服务-时间”的三维张量,然后利用贝叶斯算法求解张量分解模型。本文主要工作如下:(1)提出了一种基于贝叶斯张量分解的Web服务QoS预测方法(BRTF)。该算法首先建立带时间信息的张量模型,然后使用贝叶斯推断方法,即用概率的形式去进行CP分解,同时构建了CP分解的分层概率框架,该框架考虑到用户与服务数据交互过程中产生的异常值和数据噪声,使得预测模型更加真实有效。(2)本文将该算法运用于真实的Web服务数据集WSDream,在Matlab运行环境中对不同数据集密度下预测的MAE值和RMSE值进行仿真计算,然后将UMEAN、UPCC、WSRec三种算法与BRTF算法进行对比,分析其可行性和优劣性。实验结果表明,本文算法相较于其他的推荐算法,MAE值和RMSE值更小,即预测值更接近于真实值,具有更好的QoS预测效果;同时,在数据比较稀疏时也体现出相对较好的预测准确度。