随着互联网产业的蓬勃发展,网络服务技术迭代更新,互联网上各大平台出现许许多多功能雷同、近似乃至相同的网络服务,那么怎样从如此众多的网络服务中找出最适合用户的网络服务,成为服务计算领域的难点。在众多研究者不断努力之下,网络服务推荐技术成井喷式发展,其中以协同过滤技术为甚。然而传统的协同过滤技术大部分是线性模型,无法准确地拟合用户与服务的复杂交互,而且对于用户和服务所附带的辅助信息无法充分利用使得预测准确度难以进一步提升。为了解决这一问题,本文将深度学习技术引入服务计算领域,在传统矩阵分解方法之上引入非线性因素,除此之外,我们将用户和服务的辅助信息融入至深度预测模型之中,利用本文提出的深度算法使得QoS属性值的预测精度进一步提高,根据预测的高准确度的QoS属性值,可以得到令用户更加满意的网络服务推荐结果。本文创新及成果如下所示:1.介绍了网络服务推荐技术的研究背景、现状、意义,对网络服务技术的原理进行介绍,深入地研究分析了涉及本文研究内容的相关的技术、概念,如神经网络的相关概念、协同过滤的相关概念等。2.实现了三种基于深度学习的网络服务QoS属性值预测模型,第一种是神经非线性非负矩阵分解,该模型将神经网络引入矩阵分解模型之中,使其有了非线性因素,对于用户和服务的交互拟合效果更好。第二种是基于深度神经网络的QoS预测模型,该模型引入了用户和服务的辅助信息,挖掘了用户和服务更深层次的关系。第三种是基于深度交互网络的QoS预测模型,该模型与基于深度神经网络的QoS预测模型有共通之处,它依然利用了大量的普通神经元,不同之处在于增加了神经元之间运算关系,以此学习到了特征之间的交互关系,更加有效地利用其辅助信息,获得了更加准确的QoS预测值,特别说明的是本文提出的深度交互层能够很好地表达特征关系。3.在WSDream-QoS数据集上验证了本文实现的三种基于深度学习的算法,三种算法效果均好于传统协同过滤算法。