随着移动互联网和无线技术的快速发展,移动边缘计算中的边缘服务器提供了大量的移动服务来开发高级应用程序。服务质量（Quality of Service,QoS）是从众多候选移动服务中进行选择和推荐的重要标准。然而在真实的服务调用场景中,用户仅调用某些特定的移动服务,获取到的QoS记录是稀疏的,因此如何根据稀疏QoS数据预测缺失值成为移动服务相关操作中的关键问题。移动边缘计算环境中QoS数据的高维高稀疏性、随时间的动态易变性等特征限制了一些传统协同过滤算法的应用。因此考虑严重影响QoS数据的时间和位置因素,本文研究时序正则化张量分解方法以及基于梯度下降的耦合矩阵-张量分解方法来提高移动边缘计算环境下缺失QoS预测准确度。详细的研究工作如下:（1）针对移动边缘计算环境下QoS数据的高维高稀疏性以及随时间的动态易变性,将严重影响QoS属性值的时间因素考虑在内,提出了一种基于混合协同过滤的时序正则化张量分解方法（Temporal Regularized Tensor Factorization,TRTF）用于移动服务的QoS预测。首先基于时间感知张量构造算法构建用户-服务-时间三阶张量模型来表示已有QoS记录的整体结构。其次,考虑QoS数据的时间序列特征,在CP分解的基础上引入基于AR模型的时序正则项以挖掘相邻时间间隔中QoS值之间的潜在关系。最后,使用交替最小二乘法对近似张量进行迭代优化,得到目标张量的低秩估计来预测QoS缺失值。基于公开的大规模QoS数据集WS-Dream上的一系列实验研究结果表明,在不同的张量密度下,该算法都有更高的预测精度,能更好地处理随时间动态易变的QoS数据。（2）基于移动边缘计算环境下用户以及服务所处位置对服务质量预测精度的影响,在考虑时间上下文的基础上引入用户和服务的位置信息,提出了一种基于梯度下降的耦合矩阵-张量因子分解方法（Coupled Matrix and Tensor Factorizations,CMTF）用于移动服务的QoS预测。首先将基于时间感知张量构造算法构建的用户-服务-时间三阶张量与用户和服务位置矩阵分别在共享的用户阶和服务阶进行耦合,因此可联合构建为耦合矩阵-张量模型。然后使用梯度下降法对耦合模型进行迭代优化,获取理想的潜在因子矩阵来补全张量中的QoS缺失值。该方法同时考虑时间和位置信息并构建耦合模型来缓解QoS数据的稀疏性并提高预测准确度。基于公开WS-Dream的改进数据集上的一系列实验研究结果表明,在QoS数据极其稀疏的情况下,该算法有更高的预测精度。