近年来,随着互联网、云计算等技术的迅速发展,越来越多的服务被部署到互联网上,服务计算领域随之飞速发展。其中,服务组合是对现有Web服务进行组合复用以创造新服务的技术,mashup为其实现形式之一。该技术能更加方便快捷地实现对现有服务的重用,从而应对用户的个性化需求。随着互联网上服务数量的快速增长,如何推荐合适的服务用来组合越来越成为一个迫切需要研究的问题。由于服务组合往往遵循特定模式,因而可以从已有服务组合挖掘多层次的信息,以对新的服务组合创建过程进行推荐。目前服务计算领域已经存在一些面向服务组合创建过程的推荐技术,但仍存在一些问题。这些问题主要表现在以下几个方面:(1)冷启动问题,无法推荐新服务或新的服务组合。(2)推荐来源于单一的信息,丰富度不足。(3)推荐中没有考虑服务的相互协作,缺乏整体性。针对以上传统的服务组合推荐中存在的不足,本文通过采集和挖掘服务组合的历史数据,提出基于这些数据对服务模型进行多层次学习的方法,以设计出能有效利用多源信息的服务推荐算法,从而为创建中的服务组合给出更加准确、全面的服务推荐方案。本文的主要研究工作体现在以下几个方面:1.提出了一个结合频繁项和主题模型的多层次推荐方法,为mashup创建中的单步推荐问题提供解决方案,解决无法推荐新服务的问题。2.提出了一个挖掘知识库中的多源关系的方法,并将多层次关系建立统一建模,为mashup创建中的完整推荐问题提供解决方案。在此研究中,进一步应用了包推荐的思想,将推荐集中服务的相互关系纳入模型中,从而提升推荐的整体性。3.对多层次推荐模型进行扩展,增加输入输出信息匹配作为对服务协作性的考虑,进一步丰富了模型。另外,针对以上方法进行了实验,结果证明了本文算法的有效性。