开放的互联网环境推动了Web服务的不断革新和发展,面对许多功能近乎相同的Web服务,人们出现了选择困难,此时参差不齐的服务质量(Quality of Service,简称QoS)便成了Web服务精准选择的切入点。因此,基于QoS数据的Web服务推荐显示出重要的研究价值。针对Web服务协同推荐中存在的QoS数据稀疏和用户的个性化差异问题,完成如下工作。首先,分析总结了基于用户的协同过滤算法中不同相似度计算方法其各自的优缺点和所适应的不同数据环境,提出一种将皮尔逊相关系数和谷本系数这两种相似度计算方法相结合,综合两者的优点,并引入共同调用数阈值进行调节的相似度改进方案,弥补了皮尔逊相关系数在衡量用户间结构相似度方面的不足,降低了算法在数据稀疏情况下相似度计算不准确的程度。其次,针对传统Top-K算法或阈值过滤方法在筛选近邻组时均存在未充分利用现有用户-服务QoS矩阵所提供的信息且欠缺适应性和灵活性的问题,提出一种动态生成阈值的方法,充分利用用户(服务)相似度计算结果,使每次阈值的生成是根据用户或服务动态调整的,找出与目标个体相关性较强,且能参与到QoS预测过程中的近邻。再将其结合所提出的改进的相似度计算方法,给出了优化的协同过滤算法。再次,针对传统协同预测方法未充分考虑不同用户对QoS数据可接受范围的差异,不能满足用户的个性化需求的问题,提出一种基于用户偏好范围的QoS协同预测方法,针对成本型和效益型属性使用归一化规则从原始QoS数据中提取用户偏好信息,使用此偏好数据,基于欧几里得方法计算相似度,并采用负值过滤的Top-K算法筛选相似近邻,完成了对缺失QoS进行预测。最后,针对现有服务推荐系统存在的对服务性能重视不足,且缺少对Web服务现有资源、技术、研究步骤的整合的问题,设计并实现一个集Web服务注册、服务QoS采集、模型预测和服务推荐多种功能于一体的Web服务一站式平台,涵盖服务的收集和性能监测,并将具有较好效果的协同过滤技术应用到Web服务的推荐选取中,提高用户对推荐结果的满意度。