随着互联网技术快速发展,Web服务的数量急剧增长,网络中出现众多有相同或相似功能的Web服务,用户很难通过服务的功能属性选择满足自身需求的服务。为了有效解决该问题,服务推荐引起研究者们广泛关注,尤其是基于服务质量(Quality of Service,QoS)的推荐任务。QoS被定义为一组非功能性的用户体验属性,它是服务选择的关键指标,利用QoS可以从功能相同的服务中分辨出适合用户的服务。但是,在真实环境下,一个用户很难调用所有候选服务来采集所有的QoS,因此Web服务的QoS预测是高质量完成服务推荐必不可少的一步。近年来,研究者们已提出了一些QoS预测方法,其中协同过滤(Collaborative filtering,CF)因其简单高效而成为目前主要的预测方法。协同过滤方法可分为基于近邻的协同过滤和基于模型的协同过滤两类,他们都有各自的优缺点。基于近邻的协同过滤具有强大的局部特征提取能力,但无法有效解决数据稀疏和异常数据问题。基于模型的协同过滤具有较强的全局特征提取能力,在数据稀疏情况下,仍能保持较高预测性能,但它缺乏局部特征提取能力,并且无法学习数据中深层的非线性潜在特征。针对上述问题,本文拟融合基于近邻的协同过滤、基于模型的协同过滤和基于深度学习预测方法三者的优点,提出了两种新的预测方法:基于改进自编码器的混合QoS预测方法和基于簇特征的上下文感知神经协同过滤QoS预测方法。两种方法融合了传统协同过滤方法和深度学习方法,能用深度学习模型学习QoS中深层非线性潜在特征,并且缓解数据稀疏问题。本文主要的贡献如下:(1)提出了基于改进自编码器的混合QoS预测方法(Improved Auto Encoder based Hybrid prediction approach,IAEH)。IAEH是一种融合改进自编码器和基于近邻的协同过滤的混合预测方法,IAEH的预测过程可以分为全局特征学习和局部特征学习两个阶段。在全局特征学习阶段,本文提出了一种改进的自编码器,它通过填充稀疏输入向量来缓解数据稀疏问题,然后用自编码器学习QoS数据中的非线性潜在特征。在局部特征学习阶段,通过引入共同调用因子和调用频度因子两个要素,本文提出了一种新的相似度计算方法来缓解近邻过度估计的问题。(2)提出了一种基于簇特征的上下文感知神经协同过滤QoS预测方法(cluster feature based Context-aware Neural Collaborative Filtering,CNCF)。CNCF是一种结合可能性模糊c均值(Possibilistic fuzzy Clustering Means,PCM)和神经协同过滤(Neural Collaborative Filtering,NCF)的预测方法,它的预测过程包括两个步骤。第一,上下文信息聚类。本文利用PCM算法和上下文信息对用户和服务聚类。由于上下文信息包含多种属性数据,本文提出了一种可以综合分析不同属性的距离计算方法。第二,深度潜在特征学习。本文提出了一种改进的NCF模型,它能同时提取上下文信息和历史QoS记录中的深层非线性潜在特征。(3)测试数据集。本文使用WSDream数据集验证本文中的预测方法。该数据被广泛应用于QoS预测研究中,有响应时间和吞吐量两种QoS数据。本文分别在响应时间和吞吐量两种数据中多种稀疏环境下进行验证。在大量离线实验后,分析实验结果可知本文提出的IAEH和CNCF方法具有较高的预测准确度,与对比方法相比较提高了10%-20%左右的预测准确度。本文提出的方法可以部分解决协同过滤中存在的数据稀疏时预测准确度不高、无法提取深层非线性潜在特征、上下文信息使用不充分等问题,对服务质量预测方法的下一步研究有一定的探索意义。