随着面向服务架构的快速发展,互联网上开始出现大量的Web服务,面对Web服务数量快速增长带来的信息爆炸的现状,服务推荐成为了服务计算领域一个热门的研究问题。伴随着Web服务数量的飞速增长,以ProgrammableWeb①网站为代表的服务平台逐渐成为了 Web服务发布和发现的主要中介,面对服务平台上大量的Web服务,用户往往由于经验或能力的不足而难以选择,为用户推荐合适的Web服务成为了当务之急。当前Web服务推荐大都关注服务的功能信息或者服务质量QoS、时间等非功能信息,对于Web服务自身丰富的边缘信息,例如主题信息、服务组合信息等没有给予足够的重视。同时,目前的服务推荐算法往往只致力于准确性的提高,对于推荐算法的多样性则很少关注,这将导致服务平台产生较多的长尾服务。针对目前Web服务推荐方法存在的不足,本文基于服务平台ProgrammableWeb,在准确性和多样性方面作了如下工作:1.在准确性方面,提出了一种基于主题信息和服务组合信息的Web服务推荐算法,该算法基于ProgrammableWeb网站的真实数据,通过用户的隐式反馈来提取用户的兴趣偏好,通过将Web服务的功能主题信息和服务组合信息融合进矩阵分解模型,以更好地预测用户兴趣评分。实验表明,与现有的协同过滤算法相比,我们的算法在准确性上取得了 一定的提升。2.在多样性方面,提出了一种考虑用户偏差的改进重排名算法以提高推荐的多样性,该算法考虑了用户评分习惯差异性和用户兴趣分布差异性,并将这两种偏差结合进了阈值TR的计算中,使得改进的重排名模型不再按照固定阈值TR,而是通过考虑了用户差异性的个性化阈值来为用户提高多样性。实验表明,与经典的重排名算法相比,该算法可以在牺牲少量准确性的基础上,大幅提高Web服务推荐的多样性。