随着信息物理系统的不断发展,服务数量日益增长,有许多服务都提供了相同的功能,如何在这些服务中为用户选择出合适的服务成为了当前热点研究的问题之一。本文基于用户与服务的时空信息提出了基于域感知因式分解机（FFM）的推荐模型（LBFFM）以及基于长短期记忆网络（LSTM）的混合推荐模型（LSTM-HPLT）以满足信息物理系统中用户调用服务的不同场景。首先,本文针对用户调用服务时产生的冷启动问题,构建了基于域感知因式分解机的服务推荐模型。冷启动问题面临的主要困难是该如何向无历史行为的新用户推荐服务,或如何将新服务推荐给用户。本文基于已有的数据进行独热编码,利用用户与服务的地理位置信息构建了基于距离权重的相似度,并筛选出相似的用户以及服务,将用户、服务、相似用户以及相似服务作为特征域构建特征矩阵,最后经由域感知因式分解机学习不同域与特征之间的关系,以提高对服务QoS值的预测精度。其次,本文针对用户调用服务产生的数据稀疏性问题,利用用户与服务的时空信息构建了基于长短期记忆网络的混合推荐模型。LSTM-HPLT使用相邻时间段的QoS均值填补空缺数据,以缓解数据稀疏,并且基于用户与服务的地理位置以及相似度筛选出最相似的若干个用户或服务,对与目标用户（服务）以及相似用户（服务）有关的QoS数据集合进行LSTM训练,并进行QoS值的预测,从而提升了服务推荐的准确性。最后,基于真实的信息物理系统的数据集进行大量实验,验证了 LBFFM以及LSTM-HPLT在实际数据中相较于其它方法有更好的效果,预测的结果在标准平均误差（NMAE）以及均方根误差（RMSE）指标下有更好的表现,能够有效地缓解服务推荐中冷启动以及数据稀疏的问题,并以此提高对用户的服务推荐的准确度。同时,基于LBFFM与LSTM-HPLT模型构建了信息物理系统服务推荐应用,以管理用户与服务的信息并根据这些信息有效提供不同应用场景下的服务推荐。