随着互联网技术的不断发展，Web服务推荐与选择已经逐渐成为学术界和工业界共同关注的重要研究内容,服务质量(QoS)是成功进行Web服务推荐的关键性因素。然而，Web服务的QoS值在运行时刻可能会因为服务器超载，网络条件等多种因素的影响而发生变化。由于Web服务环境的动态性，目前现有的服务选择方法通常无法有效地涵盖QoS内在的不确定性，使得服务推荐结果与实际结果偏差较大。为解决Web服务的QoS值的动态性以及目前算法忽视QoS内在的不确定性,导致服务选择可靠性差问题，本文提出一种改进的基于协同过滤的Web服务推荐方法，该方法的引入使得服务用户不需要对Web服务进行调用，只需要对历史的Web服务的QoS信息进行分析挖掘就能找出适合用户的最优Web服务。本文提出的推荐算法不同于传统的推荐算法，主要表现在以下几个方面：在服务可靠性方面，本文引入云模型中的逆向云算法来解决QoS内在不确定性导致的服务选择可靠性差问题，把不可靠的服务剔除；在相似度计算方面，本文算法在计算用户间相似度时，充分考虑了Web服务的内在特征，在计算服务间相似度时，充分考虑了用户的内在特征；在对QoS缺省值预测方面，为了缓解负数对预测性能的影响，本文对传统的基于服务的QoS预测算法和基于用户的QoS预测算法进行改进；当为目标用户预测的QoS值为负数时，使用服务或者用户QoS值算术平均的方法进行计算填充。最后联合基于服务的QoS预测算法和基于用户的QoS预测算法采用自适应均衡权重的方法给出最终的QoS预测结果。为验证本文提出算法的优越性，本文使用了真实环境下大规模的QoS数据集进行仿真实验，该数据集包含了1500000条Web服务调用记录，通过仿真对比实验证明了本文算法的优越性。