随着Internet技术的飞速发展,企业越来越多的将其业务以网络服务的形式发布出来,这使得网络服务的数量快速增多,其中很多网络服务具有相同或者相似的功能。在这种情况下,面对海量的网络服务,用户面临着服务选择的困境,如何帮助用户更好的选择最适合自己需求的网络服务成为一个难点。网络服务推荐技术是解决这一难点的重要方法之一,近年来在学术界和工业界得到持续关注。由于QoS(Quality of Service)可以反映网络服务的非功能属性,能够很好的帮助用户衡量网络服务的质量,因此,基于QoS的网络服务推荐方法成为了当下研究热点之一。基于QoS的推荐方法需要获取所有的QoS,但事实上,由于一些用户只调用过一部分网络服务,QoS存在大量缺失,因此需要一种能够准确获取缺失QoS的预测方法。协同过滤方法被广泛应用于QoS预测,可分为基于近邻的方法和基于模型的方法两类。协同过滤方法预测缺失QoS已取得了一定的成果,但还面临着一些急需解决的问题,为此,本文从三个角度出发分别提出了三个QoS预测方法,具体如下:(1)针对基于近邻的方法在数据稀疏下性能不佳的问题,本文提出了一种基于受限波尔茨曼机的二阶段QoS预测方法(Two-Phase QoS Prediction method based on Restricted Boltzmann Machines,TPPR)。该方法第一阶段使用RBM模型对QoS进行预测,并利用预测结果填充Qos矩阵。在第二阶段则利用重新形成的QoS矩阵进行全局筛选,并使用基于RBM与用户近邻融合的协同过滤模型预测得到最终QoS结果。(2)针对噪声数据会显著降低协同过滤方法预测准确率以及单一预测方法在面对多场景预测(冷启动预测、故障预测、常规预测)时性能不佳的问题,本文提出了一种基于噪声过滤的自适应多模块组合方法(Adaptive Multi-module combination method based on Noise Filtering,AM-NF),其中,包括一种能够有效对抗QoS随机性和噪声数据的二阶段数据过滤机制,以及一种能够解决多场景预测问题的自适应多模块组合方法。(3)针对现有方法对QoS数据的上下文特征挖掘不足以及网络服务QoS数据不平衡的问题,本文一种提出了基于元数据挖掘的多模块级联预测方法(Aascade Multi-module method based on Feature Mining,AM-FM)。其中,数据预处理模块对元数据特征进行转换、抽象和高维映射,得到能够更好刻画用户和网络服务的高维特征;基于上述高维特征,综合使用自助采样法、包外估计、多预测器结合策略、随机化策略等设计的分类器能够缓解数据分布不平衡问题。本文提出的三种不同预测方法(TPPR、AM-NF、AM-FM)分别专注于解决不同的问题,其中TPPR用于解决基于近邻的方法在数据稀疏下性能下降和RBM局部学习能力弱的问题,AM-NF用于解决单个方法无法有效处理多个不同场景预测和噪声数据降低协同过滤方法有效性的问题,AM-FM用于解决特征挖掘不足和数据不平衡问题。上述三种方法均在一个真实数据集上进行了充分离线实验,实验结果显示,三种方法在各自方向取得了比对照方法更好的预测准确度。