随着Web服务应用的普及,Web服务的数量呈指数级增长,Web服务作为一种可重用、松耦合的分布式计算模型受到了广泛关注。服务市场的不断出现进一步促进了服务资源的利用和发展。如何从数以万计的Web服务中快速准确的查找出自己需要的Web服务已成为学术界甚至工业界的研究热点。Web服务往往存在着服务描述语义稀疏,表达模糊的问题,这种语义稀疏的现象会导致无法进行有效的相似度计算。当前Web服务发现方法主要有关键字匹配、语义匹配、行为匹配和基于聚类匹配四种,在这四种方法中,较少有研究者专注于针对语义稀疏的Web服务发现方法的研究。针对Web服务语义稀疏的问题,提出了两种模型,一种是基于word2vec进行语义扩充和LDA文本聚类的Web服务发现模型。利用word2vec对训练集进行训练,计算词向量,通过词与词之间的相似性对测试集中的文本进行语义扩充,增进文本的丰富性;扩充的文本通过LDA主题模型进行聚类,提取主题词与检索式进行相似度比较,将相似度最大的类簇展示给用户,提高了检索的准确性。另一种是基于反馈循环神经网络和词嵌入主题模型的服务发现方法,该方法利用了反馈神经网络生成一个词嵌入模型;设计了一个融合标签知识的词嵌入主题模型为服务聚类组织提供支持;根据服务层次模型和用户查询需求,提出了一种概率查询策略,实现了高效的服务发现。利用一组数据集验证算法的有效性,该数据集是利用网络爬虫爬取了 PWeb中注册的真实Web服务数据,并针对这组数据集设计了两组对比实验,分别验证两种算法的有效性。在实验中将两种Web服务发现模型与传统的基于关键词检索的Web服务发现方法进行比较,实验结果说明了提出的算法的有效性,同时证明了对Web服务描述进行语义扩充可以提高算法的准确性。