互联网技术的飞速发展为软件开发提供了海量可利用的信息和软件资源,极大地改变了软件开发技术的形态。服务组装和服务重用的开发模式能够灵活应对不断变化的业务需求,从而逐渐成为互联网上软件开发技术的新方向。服务发现是实现服务组装和重用的重要前提,关系到能否真正实现服务的“即插即用”,对基于网络的软件开发效率和软件质量都具有深远的影响。伴随着互联网上服务资源的快速增长,如何快速有效的帮助用户发现个性化的服务资源成为亟待解决的关键问题。本文为了满足用户个性化、多元化和动态变化的服务发现需求,首先提出情境感知的多策略融合的服务发现框架,在此基础上,以满足用户的个性化需求为目的,针对目前集中式服务发现模型中的相关问题,将服务发现和服务推荐的多种策略有机结合,实现不同情境下服务的个性化发现和推荐。通过相关实验验证了本文所提方法的可行性和有效性。本文的研究内容主要包含以下几个方面：(1)建立一个情境感知的多策略融合的个性化服务发现框架服务聚类能够提高服务发现的能力,服务推荐可以满足用户个性化服务发现的要求,情境知识可以更准确的刻画用户需求。将上述多种策略融合在一起可以充分发挥它们各自的优势,弥补不同策略间的不足。因此本文首先将提出一种多策略融合的个性化服务发现框架。该框架通过服务聚类提升服务组织分类和发现效果；利用服务推荐技术预测用户兴趣偏好提供个性化发现结果;在服务发现过程中引入情境知识来进一步刻画用户以提升服务发现的效果。该框架以用户为中心,通过多策略融合来改善用户的个性化服务发现体验。(2)建立一种基于迁移学习的服务聚类模型现有的服务描述文件存在语义稀疏的问题,因此传统的模型女"bag of words"在语义稀疏情境下进行服务聚类有很大局限。为此,本文提出一种基于外部知识库Wikipedia来丰富服务描述语义从而提高服务聚类效果的方法。该方法基于迁移学习融合Wiki知识、标签信息和服务描述信息,并在潜在空间中建立服务的隐含主题表示,最后基于隐含主题表示对服务进行聚类。该方法能够融合源领域的Wiki知识和标签知识,将源领域和目标领域知识映射到同一特征空间进行聚类,在丰富服务描述语义的同时实现了对服务的聚类组织,为提高服务发现的效率奠定基础。(3)提出一种基于隐反馈的时间感知服务推荐方法相比于搜索技术仅仅能够为全部用户提供相同的搜索信息,推荐技术往往能够为用户提供更个性化的结果。基于显式反馈的服务推荐方法在服务计算领域应用并不广泛,原因之一是用户和服务的显式交互信息很难获取。因此本文针对用户和服务的隐反馈知识建立一种伪评分机制,从而将用户隐式偏好映射为显式打分。然后抽取并分析了隐反馈知识中的时间情境信息,追踪并发现用户隐式偏好随时间情境变化的特征,基于概率矩阵因子分解模型为用户建立一种时间敏感的服务推荐方法。该方法基于隐反馈数据,融合情境知识,能够为用户提供时间感知的个性化服务发现结果。(4)提出一种基于隐反馈的在线服务推荐方法服务推荐系统同传统推荐系统一样都存在冷启动的问题,用户冷启动问题是其中一个重要的方面。引入更多的情境信息可以帮助刻画用户概况,从而为推荐系统提供更多的用户信息,进一步提高推荐系统的能力。基于在线学习模式的PMF模型能够捕获动态变化的用户偏好,可以用来为用户提供在线、个性化的服务推荐。因此本文进一步分析了服务推荐系统中的情境信息,建立融合时间和地点两类情境信息的“最流行”服务推荐模型来为冷启动用户提供最流行服务推荐。在用户与推荐系统交互之后,利用在线服务推荐的算法对新用户的新隐反馈信息进行流式处理,从而建立一种情境感知的在线服务推荐模型。本文围绕“面对互联网上大量的、语义稀疏的服务资源,如何利用情境和辅助知识进行有效的服务发现以满足用户的个性化偏好”这个关键问题,以用户为中心,通过多策略组合的方式,利用多种外部知识,采用多种形式为用户提供所需的服务,有效地支撑了个性化服务发现。最后,在相关研究方法基础之上,本文设计和实现了相应的实验,用于验证这些方法的有效性。上述内容1建立了本文研究的主要框架,是后续个性化服务发现工作的入口,内容2、3、4组合在一起共同构成了该框架,从不同的侧面、使用不同的方法解决服务的个性化推荐问题。