随着网络服务技术的迅速发展,网络服务在数量和种类上也越来越多。当用户在选择网络服务时,他们会面临很多功能类似的服务,如何从中选择出性能最好的服务并加以应用就成为了一个亟待解决的问题。由于网络环境的开放性、服务自身负载的波动性、用户需求的不确定性等复杂易变的环境因素,导致网络服务的服务质量(Quality of service,QoS)参差不齐,如何准确地预测网络服务的QoS在服务计算与云计算领域显得尤为重要。传统预测技术和应用是多基于历史统计测量数据做未来趋势的预测,而近年来协同预测概念被提出来用于QoS预测应用。协同QoS预测借鉴协同过滤思想,即利用相似用户对于同一目标服务趋向于观察到可比的服务质量,给定当前的用户和服务组合,预测用户和服务之间可能的QoS数值,据此来辅助选择服务。协同QoS预测可以借助大型服务系统内已有的用户历史数据来完成QoS预测任务,避免了不必要的数据测量。但已有的QoS预测协同预测多借助用户协同过滤、项目协同过滤、矩阵分解等技术,仅考虑了用户和服务之间的联系,对用户所处的情境对预测结果的影响考虑不足,最终使预测的效果难以达到预期。为此,本文将偏差模型作为情境感知的实现方式与矩阵分解模型相结合,提出了一种基于情境的矩阵分解协同QoS预测模型。具体假设每种情境因素会对服务质量产生一个偏差,引入变量建模这种偏差,构建优化模型,通过数据学习优化模型参数。本文采用WSDREAM数据集,针对五种服务调用关联情境因素进行了测试,根据平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)两个指标来判断预测精确度,对比分析了统计方法、启发式的协同过滤方法和矩阵分解的方法。通过实验证明,在数据稀疏时,基于情境的矩阵分解在响应时间和吞吐量两个指标上的预测精确度方面比其他模型更为优秀。