随着Web服务技术的发展,许多服务提供者能够将其生产的组件和应用系统封装为Web服务发布至网络,使用者(用户)能够在网络中选择Web服务进行直接调用,或通过服务组合的方式来构建新的应用系统(增值服务)以满足自身业务的需求。然而,由于Web服务数量的不断增长,加上Web服务的分布特性(信息发布分散和位置分布分散)、组合服务流程模型设计粗粒度及个性化的用户偏好等多种复杂因素的存在,严重影响了高质量服务组合方案的选择。为此,本文基于网络中与Web服务相关的多维信息,以快速、有效的Web服务选择为目标,对改善选择性能的关键技术展开研究。具体成果如下：第一,提高查找候选服务集合的效率。基于Web服务的描述文件信息和少量分类信息,本文提出了一个基于半监督学习的Web服务功能类别挖掘方法(Semi-supervised Learning Method for Web Service Functional Category Mining, SLM-WFCM)。SLM-WFCM选取与Web服务业务功能相关的元素(包括端口类型、操作、消息和类型)作为处理对象,利用元素之间的引用关系计算Web服务与Web服务操作之间的相似度；并以少量已知的分类信息为监督信息,利用半监督联合聚类方法挖掘Web服务的功能类别。实验结果表明,SLM-WFCM能够在少量监督信息的引导下,明显改善Web服务功能类别挖掘的平均准确率,从而有效支持决策者对候选Web服务集合进行快速查找。第二,预测缺失的个性化服务质量(Quality of Service, QoS)。基于多维历史QoS信息,本文提出一种基于多维特征挖掘的服务质量预测方法(QoS Pediction Method based on Multi-dimensional Feature Extraction, QPM-MFE)。QPM-MFE首先对多维历史QoS信息进行高斯归一化处理,并利用非负矩阵分解算法从中挖掘Web服务特征；然后,利用差分进化多输出支持向量机学习Web服务特征与目标用户所获多维QoS之间的函数映射关系；最后,利用训练好的函数映射关系预测目标用户缺失的多维QoS信息。实验结果表明,QPM-MFE能够在提高预测精度的同时,保证多维QoS信息的同步获取,从而为决策者选择Web服务提供更为全面和精确的QoS信息。第三,在保证实时性的基础上,提高服务选择方案的服务质量。基于候选服务之间的多种约束关系信息,本文提出一种基于局部近似过滤的多约束服务选择方法(Multi-constraint Service Selection Method based on Local Approximate Filter,MSSM-LAF)。MSSM-LAF首先利用局部近似过滤算法快速滤除部分不满足约束要求的候选服务集合,并在减少服务选择的搜索空间的同时,估算出剩余候选服务的局部适应度；然后,设计一种有向粒子群搜索算法,其核心是根据多约束服务选择问题的特点,重新定义粒子的更新算子,设计动态的参数调整方法、适应度函数以及局部优先变异策略来提高算法对最优服务选择方案的搜索能力；最后,利用本文设计的有向粒子群算法,以候选服务的局部适应度为引导信息对最优组合方案进行搜索。实验结果表明,MSSM-LAF能够在满足实时性要求的前提下,提高服务选择方案的整体质量。