互联网技术和服务的发展极大拓展了人们生产生活的广度和深度,用户在海量Web服务中很难找到适合自己的服务,使得Web服务的个性化推荐成为服务计算领域最重要的挑战之一。当前很多研究和技术基于客户端QoS产生推荐,但缺乏考虑在服务调用矩阵数据稀疏下服务端功能属性和用户地理位置对推荐结果的影响,针对此问题,本文做出如下工作:首先,构建基于文本信息挖掘的Web服务功能相似度计算模型,并基于该模型进行服务聚类。本文利用数据集中的URL获取服务的WSDL文档,并进行上下文特征提取,以获得其功能描述并进行归一化处理。再构建基于功能描述特征词文本的相似度计算模型,利用K-means++算法进行相似服务聚类。其次,本文基于分层的地理邻域和修正的余弦相似度计算模型进行用户聚类,以获得有相似服务偏好的用户集合。重点分析了地理位置对用户的Web服务偏好的影响,用户及其邻居的QoS偏好是具有正相关性的关系,这使得将地理邻居的因素考虑在推荐模型中是必要的。我们使用修正的余弦相似度计算公式作为计算用户之间差异程度的工具,并设计了一个分层地理邻域的用户聚类算法。通过实验处理数据集,获得相似用户集合。最后,提出一种基于相似服务和用户聚类的矩阵分解模型预测QoS,并采用标签模型产生个性化服务推荐。为了缓解数据稀疏导致的推荐结果不准确的影响,我们提出了一种矩阵分解模型(RMUSC)来感知QoS,并设计了一种梯度下降算法来收敛确定预测的QoS值;我们引入标签模型使得预测的QoS更有效率地产生推荐结果,其主要原理是利用<服务,标签,QoS>这种三元组的关系进行标签建模。简化了用户和服务的关系。最终通过实验分析表明本文提出的推荐模型具有更好的推荐性能。