近年来,面向服务体系架构(Service-Oriented Architecture,SOA)的迅速发展促使Web服务的数量爆发式增长,导致大量功能属性相同或相似的Web服务出现,于是用户的目光开始聚集到服务的非功能属性上。一般情况下,可用服务质量(Qualify of Service,QoS)来表示服务的非功能属性。现实生活中,用户-服务关系的QoS属性矩阵往往是非常稀疏的,对Web服务的QoS属性值进行准确预测便成为服务计算领域的重要研究方向。协同过滤技术已经成为服务质量预测领域的重要手段,主要包括基于记忆的协同过滤技术和基于模型的协同过滤技术两类。基于记忆的协同过滤技术主要通过寻找目标用户的相似用户或者目标服务的相似服务进行QoS预测;基于模型的协同过滤技术主要利用机器学习等技术构建模型,利用模型来进行预测。针对以上两种分类,论文分别提出基于改进协同过滤的服务质量预测方法和基于自组织映射神经网络与K-means两阶段聚类的服务质量预测方法。针对传统的皮尔逊相关系数受矩阵稀疏影响较大,论文改进相似度计算方法,引入相似度权重系数,并将杰卡德相似度和加权的皮尔逊相关系数相结合,有效提高了传统皮尔逊相关系数在矩阵非常稀疏时的表现。同时,考虑到用户反馈中可能存在范围异常数据和恶意评价数据,通过一种用户信任度计算方式过滤掉不可信用户。在真实数据集上进行实验,与传统的基于皮尔逊相似度的预测方法相比,有效的提高了 QoS预测精度。针对传统的K-means算法受初始中心点和聚类数目的影响较大,论文提出一种两阶段聚类方法,第一阶段由SOM神经网络训练得出类别数目和类别中心,将其作为K-means算法的聚类簇数和初始聚类中心。第二阶段由K-means算法进一步聚类,提高聚类效果的同时得到精确的聚类信息。论文利用两阶段聚类算法对用户和服务分别进行聚类,采用Top-k选择机制得出相似用户集和相似服务集,将基于相似用户的预测值和基于相似服务的预测值结合进行混合预测。在真实数据集上进行实验,与直接使用K-means聚类方法和经典的奇异值分解方法相比,能够有效提高服务质量预测准确度。