目前,随着云大物移智等新兴技术的发展与完善,Web服务已经成为IT资源交付的重要载体。这种趋势促使服务朝着智能化,个性化与集成化发展,随之也产生了大量的服务。同时,由于服务数量的增多,使得用户很难从海量服务中选择出能够满足自身需求的服务。为了有效解决该问题,服务推荐策略引起了各个研究学者的广泛关注,服务推荐的根本目的就是旨在为用户推荐即满足其功能需求又满足其非功能性需求(Quality of Service,QoS)的服务,特别是对具有相同或相似功能的服务。但是,在真实环境下,一个用户能够调用的服务数量是有限的,这导致历史QoS数据的严重缺失。因此对于Web服务推荐而言,准确预测Web服务缺失QoS值是不可或缺的,这使得Web服务的QoS预测问题成为新型服务计算领域的研究热点。近年来,已有研究者提出了一些Web服务的QoS预测方法,其中协同过滤(Collaborative filtering,CF)因其简单有效,且不依赖推荐对象本身的结构信息,已成为当前Web服务QoS预测的一种主要的手段。基于协同过滤的QoS预测方法主要由基于近邻的协同过滤与基于模型的协同过滤两大类组成。然而这两类方法各有缺点,近邻方法无法有效解决数据稀疏与噪声数据问题,而模型方法无法学习用户或服务调用行为中深层次复杂结构的非线性特征,这会导致对用户服务间调用行为理解的偏差,使得预测精确度与推荐有效性降低。针对上述情况,本文拟融合基于近邻的方法、基于模型的方法与基于深度学习方法三者的优势,通过充分利用深层隐含特征,解释和表达用户服务调用行为,以期提高QoS预测精确性,并进一步缓解数据稀疏问题。因此,本文提出一种新的基于特征的QoS预测模型,该模型将深度学习方法与传统协同过滤方法进行结合,利用前者强大的特征提取能力,获得深度隐含特征,提高预测结果的精确度。本文的主要贡献如下:(1)提出基于环境特征的近邻选择方法。由于网络的复杂性与不稳定性会造成QoS数据异常,导致QoS数据中存在一些噪声,进而影响预测精度。因此,在充分考虑用户与服务所具有的环境特征,例如用户、服务的调用行为偏好、用户所在地理位置、服务所处网络位置等因素的基础上,本文提出一种基于环境特征的近邻选择方法,该方法能够有效应对数据稀疏问题。该方法首先使用一个新颖的相似度计算方法获得用户与服务之间的相似度。随后判断当前是否存在数据稀疏情况,若不是则对用户服务进行多属性聚类,再通过近邻可逆性验证识别出伪近邻并过滤得到最终的近邻集合。若是,则直接利用模糊聚类得到近邻集合。(2)提出基于多特征提取的Web服务QoS预测方法。针对数据稀疏与浅层模型无法学习非线性特征的问题,提出一种基于多特征提取的QoS预测模型。该模型将深度学习方法中的卷积神经网络、变分自编码器与受限玻尔兹曼机三种模型结合到传统协同过滤方法中,由三个子模型组合而成,分别为基于近邻特征的矩阵分解模型(NF＿MF)、基于近邻特征的混合协同过滤模型(NF＿HCF)与基于全局特征的矩阵分解模型(GF＿MF),最后称组合模型为FE＿EM。子模型NF＿MF通过引入卷积神经网络,利用提取到的近邻的特征重构用户和服务的特征矩阵,再进行矩阵分解运算,得到预测结果。子模型NF＿HCF利用受限玻尔兹曼机模型对候选近邻集合进行预测,并通过改进的相似度计算进行最后的预测。子模型GF＿MF则利用变分自动编码器挖掘全局特征,重构特征矩阵进行矩阵分解得到预测结果。组合模型FE＿EM聚合三个子模型的结果,得到最终的预测。(3)本文采用WSDream数据集,该数据集被广泛应用于QoS预测精确度评估中,共包含339名用户与5825个服务,包括两类QoS属性(响应时间与吞吐量)。其中,本文主要针对该数据集中的响应时间属性进行预测。本文所提出的模型在该数据集上进行了大量的离线实验,通过实验结果,可得出以下结论:相较于现有方法,本文模型具有较高的预测精确度,并且能够在一定程度上缓解上述待解决的问题。