近年来,随着互联网技术的大规模应用,其中Web服务数量增量明显,但它们的功能趋向同质化。这一现实问题使得开发者很难按照自己的功能开发需求迅速搜索到自己期望的Web服务。服务推荐正成为自动有效地从海量候选中寻找合适服务,克服信息过载问题的关键。对此,研究人员提出了多种服务推荐模型以提升服务推荐的质量。先前的研究已经表明:通过融合多种服务特征来构建推荐模型是行之有效的。本文将此向前推进了一步,认为这些研究在一定程度上有效提升了推荐性能,但它们只是以相同的重要程度对所有特征进行建模,而忽略了并非所有特征都是同样有用和具有预测能力的事实,一些无用的特征甚至可能会引入噪声并对推荐结果产生不利影响。在本文中,我们提出了一种新的服务推荐策略,利用注意力机制以及注意力因子分解机从多维特征中区分每个特征的重要性以应对这一挑战。除了提升推荐的准确性,它还拥有一定的模型可解释能力。本文的主要贡献总结如下:1、现有的基于功能的服务分类技术存在着文档稀疏语义、未考虑语序和上下文信息等问题,服务分类的准确性有待进一步提高。在这种情况下,本文提出利用注意力机制对文本中的功能语义信息进行进一步提炼筛选。将文档级的LDA主题向量表示和文本中单个词的Bi-LSTM隐状态向量结合起来,提出了一种新的Web服务分类方法。具体来说,它使用双向LSTM自动学习Web服务的特征表示。然后利用离线训练获得Web服务文本的主题向量,通过注意力机制得到Web服务文本中每个单词的权重值,强化Web服务功能表征向量的生成过程。最后,利用增强的Web服务特征表示作为Soft Max神经网络层的输入,对Web服务进行分类预测,可为进一步的服务研究提供基础性的支持。2、现有服务推荐研究在一定程度上有效提升了推荐性能,但大多只是以相同的重要程度对所有特征进行建模,而忽略了并非所有特征都是同样有用和具有预测能力的事实,一些无用的特征甚至可能会引入噪声并对推荐结果产生不利影响。针对这个问题,本文提出了一种基于注意力因子分解机的Web服务推荐模型(AFMRec)。在该模型中,首先提取原始数据集中隐含的有价值的服务特征,将它们转换为注意力因子分解机的输入格式。然后,利用注意力因子分解机对多维信息,如Mashup和服务之间的功能相似性、标签、Web API的流行程度等进行建模,以预测Mashup和候选服务之间的推荐评分。在爬取的数据集上的综合实验表明,与多种基础算法相比,本文提出的方法显著地提高了推荐的准确性。