在“互联网+”的大趋势下，Web服务作为软件开发、业务协作和商业模式创新不可或缺的“数字胶水”，已成为Web上支持应用程序间互操作、构建分布式应用系统以及程序间“交流”和数据交换的主要技术。随着网络中Web服务不断增长，QoS数据驱动的Web服务推荐已经成为服务计算领域研究的热点。一方面服务推荐技术能够帮助服务使用者发现他们感兴趣的Web服务，改善用户体验；另一方面，促使服务提供商将质量有保证的Web服务通过推荐平台呈现给对它们感兴趣的用户，从而实现服务使用者和服务提供商的双赢。本文依托机器学习理论和协同推荐技术，通过分析Web服务的QoS数据，时序信息以及地理位置信息，设计和提出了新的预测模型和推荐算法，以此改善和提高Web服务的推荐效果和用户体验。　　首先，为了缓解用户之间、服务之间QoS取值范围不同带来的预测误差，对QoS数据引入高斯归一化处理机制，提出一种考虑QoS数据变化范围的Web服务协同预测方法。通过引入QoS评价矩阵、用户均值对矩阵和服务均值对矩阵，验证并分析用户之间、服务之间的QoS数据存在较大差异这一客观事实和原因。采用高斯归一化理论将处于不同变化范围的QoS数据映射到一个统一的区间，缓解因QoS数据变化范围不同而带来的预测误差。实验结果和实例分析表明高斯归一化机制能有效缓解QoS数据变化范围对预测结果的影响，显著提高预测性能。　　其次，为了预测未来一段时间Web服务的QoS，支持Web服务的在线动态演化，提出一种基于时序分析的QoS预测方法QARSPre。通过引入QoS属性评价张量、矩阵和序列，对用户和服务在时间维度下的QoS属性评价数据进行建模。采用协同过滤方法计算不同时间片 QoS属性评价矩阵中的缺失项，进而构建 Web服务的QoS属性评价时间序列。在此基础上，设计一个时变环境下基于“重近轻远”原则的时序预测算法，实现对未来一段时间 Web服务的QoS预测。实验结果表明 QARSPre能够在时变环境下的服务推荐场景中获得很好的预测效果。　　再次，为了解决协同推荐模型中的数据稀疏性和冷启动问题，对Web服务用户的地理位置信息进行分析，提出一种融合显式QoS反馈和隐式用户地理位置信息的Web服务推荐模型 ULMF。通过数据分析发现“用户之间的地理距离越小，那么他们之间获得的QoS反馈也就越相似”这一现象。基于此，通过用户的经纬度坐标计算地理距离，构建用户地理位置与QoS反馈数据之间的关系，并采用基于地理距离和相似性双向过滤的策略进行近邻选择。为了利用地理近邻的智慧，ULMF将所选的用户地理近邻系统地集成到矩阵分解模型之中。实验结果表明ULMF大大改善了Web服务QoS预测结果的精度，尤其是在冷启动场景下的效果。　　然后，为了实现情境感知的个性化Web服务推荐，对提供者、自治域系统和国家等不同地理上下文要素进行分析，提出一个地理位置感知的Web服务协同推荐模型GeoMF。通过构建基于树的地理邻居层次关系，设计自底而上的分层近邻搜索算法，从而有效利用地理上下文选择高质量的可信地理近邻。此外，从用户和服务两个维度对地理近邻进行建模，有效解决QoS数据稀疏性和冷启动问题。实验结果表明地理近邻可以提供有价值的信息，融合地理近邻的智慧使得GeoMF在热启动和冷启动场景下都能够获得很高的预测精度，优于现有的Web服务推荐方法，并且GeoMF在不同密度的数据集下的收敛性均有出色的表现。　　最后，为了满足QoS数据驱动的情境感知Web服务协同推荐平台建设现实需求，设计实现一个Web服务注册、监测、预测和推荐平台原型系统。平台实现Web服务的在线注册，监测关键QoS属性的变化情况，为研究QoS数据驱动的Web服务推荐积累数据。在此基础上，采用提出的多种Web服务推荐算法预测用户关于未知Web服务的QoS性能，为软件开发者提供一个统一、高效、安全和个性化的Web服务推荐选取平台。此外，平台依据Web服务QoS的变化情况，分析判断调用此服务的分布式应用系统的服务质量变化情况，支持应用系统的在线演化。