随着IT技术的发展，各种Web服务的数量日益增长，有许多服务都是为相同功能属性目的开发的，而不是基于非功能需求目的开发的。服务质量（Quality of Service，QoS）作为服务的非功能性属性并不一致，为了吸引用户对这些拥有高质量属性服务的关注，如何为用户推荐高质量的服务成为当前研究热点之一。最近几年，人们对基于QoS的推荐方法进行了独特的分析，建立了多层面、全方位的推荐方法。
　　然而在研究的过程中还面临着许多挑战，如：现实中的数据稀疏性以及服务推荐的效率问题；服务与用户的相关性问题没有得到充分考虑；无法有效学习用户与服务在高维度层级的线性关系；QoS本身具备很强的时间属性；动静态QoS结合产生的影响。基于以上问题，论文的主要研究内容有：
　　(1)针对稀疏性环境中存在的服务推荐效率问题，以及服务-用户的相关性问题，本文提出一个基于QoS的双层过滤的服务推荐模型。首先提出一种服务过滤策略，通过判断服务QoS值的稳定性，对用户交互过程中产生的无效服务过滤，进而提高候选服务的纯度，减小服务规模。然后利用用户和服务的地理位置信息，考虑服务与用户之间的联系以及不同组合特征的重要性，利用因子分解机和注意力机制预测各种组合特征，解决服务与用户之间相关性的问题。在以上两项问题的基础上，提出了一个双层过滤的服务推荐模型。这个模型结合过滤无效服务和位置信息的动机，通过两次过滤，不仅解决了早期无效服务干扰的问题，还解决了上下文信息的影响以及服务与用户之间的关系问题，提高服务推荐效率。
　　(2)针对QoS动态性的问题。在静态QoS的基础上，考虑到动静态QoS相结合产生的影响，本文提出一个基于QoS的多任务服务推荐模型。首先，考虑到服务推荐环境的稀疏性，选择因子分解机来学习服务之间的低阶特征组合。考虑到QoS动态性，使用双向LSTM来捕捉高阶服务特征，它不仅能灵活的处理上下文信息，还能够记忆用户的长短时偏好。该模型不仅对高阶和低阶特征同时进行建模，而且考虑了用户调用服务时产生的上下文信息。模型将两个模块集成到深度神经网络结构中，利用它们的特征组合和深度挖掘能力。此外，使用一对注意机制将任务模型的重点放在寻找与服务数据中当前输出相关的有用信息上。
　　论文在不同的Web数据集上对以上两种推荐模型进行一系列实验，实验结果证明了本文所提方法的有效性。