在互联网技术广泛应用于各行各业的今天,我们迎来了云计算的迅速发展。它提供了一种新型的商业计算模型和服务模式,可以将计算、存储、网络和应用等等汇集到一起,用户只要按需付费,便可以获取所需的资源。云计算现已得到了学术界与各大国际企业的广泛认可,迅速成为计算机科学领域的重要研究内容。随着云计算的流行,云服务应运而生,云服务是指在云计算的技术架构支撑下,为用户提供的按需、可计量的服务。然而由于云服务数量的急剧增加,具有相同功能却含有不同服务质量Quality of Service(QoS)的云服务数量也变得越来越多。在数量如此庞大的云服务面前,用户很难选择出真正适合自身的云服务,因此,如何为用户既精准又高效的推荐云服务,是一个急需解决的问题。本文对基于排名的云服务推荐进行研究,主要工作分为以下两个方面:首先通过研究现有基于排名的云服务推荐算法,分析其中不足,提出了一种基于量化服务偏好的云服务推荐算法Quantitative Service Preferences(QSPRank),该算法在没有增加时间复杂度的基础上提高了归一化折损累计增益Normalized Discounted Cumulative Gain(NDCG),从而提高了云服务推荐的精准度;其次对大规模云服务推荐进行了优化研究,大规模云服务推荐由于数据量较大需借助大数据平台超强的计算能力,但运行时间仍然会相对较长,通过优化平台的作业调度策略可缩短任务运行时间,提高资源利用率,进而达到优化云服务推荐的目的。本文对现有作业调度策略进行了深入的研究,提出了一种高响应比优先调度策略High Response Ratio Priority Scheduler(Hrrp Scheduler),该调度策略综合了先来先服务和短作业优先两种算法的优点,在一定程度上缩短了运行时间,进一步优化了大规模云服务推荐的时间性能。