随着用户服务推荐技术逐渐成熟,推荐的核心部分需求预测方法的研究得到了广泛关注。由于用户数据随着网络发展演变为数据量大、数据类型多、数据稀疏的特点,面对如此大量丰富的信息,用户通常希望能够很快的找到自己想要的服务项的信息,而如何更加精准的预测用户需求,为用户推荐更好的服务质量面临巨大挑战。本文经过比较不同聚类算法的特点,结合聚类处理的用户数据进行分类,针对不同的预测模型的对比,结合深度学习方法改进提升模型预测精度,并通过大量实验验证预测模型的性能。本文主要工作内容和研究成果包括:（1）为了能够更好的为推荐方法提供服务,就需要从具有实际意义的用户数据进行处理,面对大量的用户数据,在保证用户的个人隐私安全情况下,采用无监督模式。将高维度的用户数据进行归一化处理并降低维度,减少稀疏性;然后通过改进的聚类方法对用户进行分类并标注;结合内部评估指标改进的轮廓系数（Silhouette Coefficient）进行不同聚类算法间的实验对比,获得理想的用户蔟类,并为下一步的用户需求推荐预测做数据准备。（2）主动服务推荐已经成为实现智能服务、提升用户体验的重要技术,而如何精确地预测用户的服务需求成为当前亟需解决重要问题之一。针对这一个问题,本文根据上一步的用户聚类结果,将同类用户数据信息使用的商品信息的文本数据和图像数据相结合,构建了一种基于软注意力机制与多模态机器学习（Soft Attention and Multimodal Machine Learning,SAMML）的主动服务需求预测方法。本文构建的这种方法首先需要从用户历史商品信息中分别提取文本数据信息和图像数据信息的特征向量,并将两种特征向量进行特征融合实现多模态的数据特征共享,用来使用户与商品服务关联性有更好的表达;接着通过软注意力（Soft Attention,SA）机制主动的将特征共享后的特征数据进行处理,然后将融合数据处理后所得的结果输入进门控循环单元网络（Gated Recurrent Unit,GRU）,使GRU能够通过两种数据类型更好地学习用户的历史商品服务兴趣;最后将用户特征与服务特征数据结合训练SAMML模型,使用训练好的SAMML模型实现用户的主动服务需求精确的预测。基于天池大数据众智平台提供的数据集（Debiasing）进行了大量的验证实验,首先通过数据预处理,通过聚类方法进行用户分类,再将相似度高的用户蔟类数据通过SAMML模型进行预测,进一步为推荐系统提供更准确的精度,在评估指标MAE、MSE、R~2上SAMML模型分别比对比模型提高5.81%、6.45%、6.0%。