随着Web服务技术的快速应用,网络上具有相似功能的Web服务越来越多,但是由于网络环境的不稳定、用户输入数据的差异以及主机调用时状态等因素影响,这些服务所表现出来的质量并不稳定,如何获得准确的QoS信息,从而从庞大的服务集中为用户发现或选取较好满足用户需求的服务,给用户良好的服务体验一直是Web服务领域所关心的问题。目前,对服务质量的计算大多数采用的是基于统计的方法,这类方法简单易于实现,但是缺乏对用户个性化调用特征的考虑。而已有的个性化Web服务质量的预测方法主要集中在基于信任信誉的方法和基于协同过滤的方法,这两类方法都可以在一定程度上解决个性化的问题,使得各用户根据历史调用信息的不同获得不同的预测值。然而,这类方法在实际的QoS预测中面临着诸多问题。首先,对用户的个性化调用特征考虑不充分,已有的方法仅考虑了服务的历史QoS信息,没有对用户调用服务时的输入特征以及环境特征进行考虑。其次,对历史调用信息较少时,缺乏对稀疏数据的处理,也影响了预测的准确度。此外,对于服务历史调用信息数据量大时,预测效率较低,用户得不到实时响应。现有的服务质量预测缺少对上述问题的考虑,从而使得预测的效果不能满足用户的需求,影响了其在服务发现、选取及组合中的应用。为了解决上述问题,本文提出了面向用户调用特征的个性化Web服务质量预测方法。该方法利用协同过滤及数据挖掘等相关技术,基于服务的执行信息和监测信息,提取出历史服务使用特征及用户对服务的常用使用特征模式；从用户角度出发,从用户调用信息及历史服务使用特征中提取出用户调用特征；对于存在用户服务使用特征模式的服务,基于用户服务使用特征模式进行服务质量预测,而对于没有使用特征模式的服务,采用基于协同过滤的方式进行预测。围绕着该方法,本文在以下方面展开了深入的研究。(1)针对Web服务质量预测中个性化需求问题,提出了面向用户调用特征的协同过滤Web服务QoS预测方法,该方法充分考虑了用户的个性化需求和服务环境特征,给出了用户调用特征和服务使用特征的定义,并提出了用户调用特征的获取方法。在此基础上,通过用户的相似性计算,利用相似用户的特征及相关信息支持目标服务的质量预测。通过分析该方法中稀疏数据问题中个性化调用因素,给出了稀疏数据的处理方法。进而给出了面向用户调用特征的协同过滤Web服务QoS预测的NMCP算法,并设计了实验,对预测准确度进行了分析。(2)针对用户服务使用特征模式提取问题,给出了用户服务使用特征模式的定义,提出了基于DBSCAN的用户服务使用特征模式提取方法,该方法以服务的历史使用特征为基础,利用基于密度的数据挖掘方法挖掘出用户服务使用特征模式及模式下各服务的质量表现。在此基础上,设计了基于DBSCAN的用户服务使用特征模式提取算法。实验表明,所提出的服务使用特征模式提取方法能够处理大数据量的历史使用信息,获得较好的模式提取效果。(3)针对服务质量预测时大数据量历史使用信息造成的低效问题,提出了一种基于用户服务使用特征模式的Web服务QoS预测方法。针对有些调用不能够获得直接匹配模式的问题,给出了基于灰色关联分析的用户调用特征与用户服务使用特征模式的匹配方法。从而,根据匹配模式下目标服务的历史QoS进行目标调用的QoS预测。并给出了匹配模式下无历史执行信息时,基于协同过滤进行预测的解决方案。在此基础上,设计了基于用户服务使用特征模式的Web服务QoS预测算法。(4)为了验证所提出的面向用户调用特征的Web服务质量预测方法的有效性和实用性,设计并实现了面向组合Web服务的个性化服务推荐工具,并在基于分层适应策略的网构软件环境感知与演化实验平台上进行了实验分析,承担了组合服务初始实例生成及备选服务集生成,有机的将上述预测方法结合起来,进而通过实验分析验证了所提出的面向用户调用特征的Web服务质量预测方法的有效性和应用价值。