在Web2.0时代,基于互联网的Web服务因其高效率、低成本、松散耦合的特性,逐渐被开发者所青睐。此外,Mashup作为组合了多种单一功能的Web服务而提供复杂应用场景需求的软件,得到了研究者的广泛关注。然而,在Mashup的开发过程中,通过开发者手动选择Web服务的方式难以满足日益复杂的用户需求,如何从各种可用的Web服务中找到最合适的服务集合是一个具有挑战性的研究课题。近年来,协同过滤算法被广泛应用在服务推荐模型中,但该算法并不能在稀疏的Mashup-Service调用矩阵中捕捉到两者间复杂的交互信息,这会导致较低的推荐性能。针对这个问题,本文提出了一种融合内容相似度的协同过滤服务推荐算法。另外,基于社交网络的服务推荐算法也被研究者应用到了Web服务推荐中,该方法的缺陷在于没有有效利用Mashup与服务中的辅助信息,导致模型的推荐性能提升有限,此外,本文注意到协同过滤推荐算法的另一个缺陷是没有针对不同的场景而生成不同的服务推荐方案。针对这两个问题,本文提出了一种融合异构信息网络与主题模型的协同过滤服务推荐算法。本文所做的主要工作如下:一、提出了一种融合内容相似度的协同过滤服务推荐算法,该算法利用协同过滤模块捕捉到了Mashup与Web服务间复杂的交互信息,利用内容相似度模块提取出两者间语义相似度信息,最终将两个模块被无缝集成到了深层神经网络中,以预测出Mashup对于Web服务的评级信息,完成了Web服务推荐过程。二、提出了一种融合异构信息网络与主题模型的协同过滤服务推荐算法,算法的离线模块对Mashup-服务相关信息进行预处理,利用主题模型缩小了在线服务推荐时的搜索空间,并通过异构信息网络得出Mashup间相似度的计算方式;在线模块则基于协同过滤技术,根据现有的Mashup-服务评级信息,预测待开发的Mashup对于Web服务的评级,并根据不同服务推荐场景生成了对应的Web服务推荐列表,完成了推荐任务。本文在从网络上抓取的真实数据集上针对上述两种算法进行了一系列实验,并与主流的服务推荐算法进行了比较,结果表明本文提出的算法能在数据稀疏的前提下更有效地完成Web服务推荐任务。