网络上大量的Web服务为软件开发人员带来了极大便利的同时，也面临着服务信息过载问题。据统计截止到2013年1月，Web服务搜索引擎Seekda 统计的Web服务已超过28000个，Web服务编程网站ProgrammableWeb  (PWeb)上发布的Web API也已超过6400个。当前个性化推荐被认为是解决信息超载问题最有效的工具之一。 Web服务搜索与发现技术研究致力于用户需求与服务功能匹配研究，但由于其提供“one fit all”的服务，不能满足不同背景、不同目的和不同情景的用户个性化需求。 Web服务的个性化推荐与Web服务发现的不同之处在于，服务发现是用户输入需求之后来按需查找服务的过程，而Web服务推荐是在用户没有提出明确显性需求或需求模糊的情景下，通过分析用户的历史调用记录和行为模式来预测用户可能感兴趣的服务。服务发现是一种被动的方式，而服务推荐强调的是一种主动式的服务，Web服务个性化推荐实现了从被动接受用户请求向主动感知用户需求的转变。Web服务个性化推荐已成为拓宽用户服务选择范围、提升用户服务选择效率的有效手段。

随着Web服务数量的增长，大量的服务因为访问量小被放在服务注册库的旮角，因此不为人知．这些“暗信息”中或许有一些是用户感兴趣的，但是没有外界的帮助，用户根本无法找到它们。Web服务推荐的动机就是解决上述问题。由于推荐的是Web服务这种“特殊物品”，因此传统的推荐技术不能简单应用于Web服务。由于Web服务的异构性和用户群体的多样性，实现“大一统”的Web服务推荐不可行，目前学术界和工业界对Web服务个性化推荐研究主要是面向特定的领域和主题进行研究，主要有以下几类:

Ÿ  针对WSDL描述的Web服务个性化推荐;

Ÿ  针对OWL-S描述的Web服务个性化推荐;

Ÿ  针对文本描述的Web API个性化推荐;

Ÿ  针对和移动应用和Mashup应用服务的个性化推荐;

Ÿ  面向云计算领域的服务推荐。

Web服务推荐主要是利用用户的历史交互数据或者隐含查询信息为用户提供可能满足用户需求服务的方法。因此Web服务推荐的核心就是要拥有准确真实的用户历史数据，避免“Garbage in Garbage out”现象。目前由于缺乏Web服务的评分数据集，大部分关于Web服务推荐的研究主要集中于利用Web服务信任数据进行服务推荐和服务的QoS值预测推荐研究。Web服务推荐的基本过程就是，首先要收集用户的基本信息，历史调用记录，用户的偏好设置等数据，建立用户的使用模型，依据用户的使用模型进行推荐。Web服务推荐的数据来源包括用户的注册信息、历史使用信息、习惯性的行为模式以及当前的交互行为。Web服务推荐通常基于以下三种假设：(1) 用户喜欢某个服务，用户也喜欢与该服务相似的服务; (2)用户喜欢与其具有相似背景和偏好的用户所使用的过的服务; (3)用户喜欢某个具有特征的服务，用户也喜欢其它具有该特征的服务。

1.Web服务个性化推荐研究热点

Web服务个性化推荐方法的研究，既可以作为信息过滤的工具帮助用户更好地发现和利用Web服务，又可以作为Web服务提供商营销的利器，提高Web服务的用户黏着度和推广相关服务^[22]。目前，Web服务的个性化推荐的研究已成为了Web服务领域内的研究热点。近年来，Web服务个性化推荐研究的研究热点主要集中于以下几个方向：

基于情景的推荐，情景是指对人的行为或事件发生影响的上下文信息或者场景信息(如时间、地点等信息)。情境感知描述了一个服务应用场景，在这个场景中，推荐系统自动感知当前的情境，将感知到的情境信息进行情境融合，然后准确地推导用户的行为方式，有效地为用户提供服务。利用情景信息为用户提供个性化的推荐是未来Web服务发展的趋势之一。

基于多准则推荐，目前的Web服务多集中于基于用户-服务二维空间的单准则评分推荐研究，但是如何将服务推荐问题转化为多准则决策问题，通过用户对服务的不同属性方面的评分综合之后进行推荐，也就是推荐使用的特征维度会有所不同，推荐属性多维度也是未来的一个发展方向，另外多准则之间的聚合函数研究也是多准则推荐研究的核心，尤其是Web服务QoS的多属性推荐研究。

基于可信的推荐，可信就是用户对于服务本身的信任，是其在参与或者使用服务过程中所形成的一种主观感受，是用户主观上的预期，而用户评价信息正是用户对于服务行为是否符合预期的一种打分。因此，评价值的高低反映用户使用服务的主观感受。如何建立服务的可信评价机制必将成为Web服务领域内的一个重要的研究方向，利用服务的可信和信誉推荐是Web服务推荐未来研究的研究热点之一。

基于社会标签的推荐，标签作为一种特殊的元数据，来源于标注者对资源主观感受的概括，被用户用于描述和分类资源。当多个用户对多个资源添加标签后，标签就具有了社会性，成为社会化标签。标签既是用户对Web服务内容、功能及使用的特征标注，同时也是用户偏好特征的重要体现，如何利用标签架起用户和服务之间的桥梁是基于社会标签推荐的关键问题，因此，随着Web 2.0不断发展和用户标签信息的丰富，基于标签的服务推荐成为Web服务个性化推荐新发展方向之一。

 2.Web服务个性化推荐面临的挑战

目前，Web服务个性化推荐在移动服务等领域内得到广泛应用。但是，传统Web服务的个性化推荐系统目前仍然处于学术研究阶段，目前成功应用在工业界的很少，绝大多是都是研究原型。因此，Web服务推荐仍然面临着许多挑战，下面对服务推荐技术发展中的面临的战性问题进行总结。

服务注册管理平台商业化问题。大的软件公司IBM、HP等提供的UDDI 商业注册中心在2006 年就关闭了。由于Web服务的注册管理平台由于对服务提供者的资质及服务鉴别缺乏规范，导致很多服务缺乏真正的使用价值。Web服务个性化推荐系统的发展离不开商业利润的驱动和Web服务的商业化实现与挖掘。与个性化推荐在电子商务领域的成功应用相比， Web服务个性化推荐商业化研究目前还处于探索阶段。

用户交互与反馈数据的收集问题。 Web服务个性化推荐的核心是利用历史数据来建立用户的个性化兴趣，然而，当前Web服务集中式发布和发现使得Web服务推荐相比与其它产品的推荐，用户的历史使用数据少，尤其是QoS数据的不稳定性，导致用户真实的QoS数据难于收集。Web服务用户的使用数据收集是实现有效个性化建模的难点。

服务异构性和多样性问题。在推荐过程中，对不同类型的Web服务，很难用统一方法进行内容建模或提取特征。根据PWeb的统计数据显示，发布在该网站上遵循SOAP协议的Web服务约占21%，而遵循REST协议的轻量级RESTful服务约占70%。随着服务描述语言多样化，如WSDL、OWL-S、WADL和WSMO等，还有大量服务(特别是RESTful服务)通过自然语言文本进行描述，服务间的异构性为Web服务的推荐增加了难度。

服务个性化推荐的评测问题。个性化推荐模型的评价工作面临诸多挑战。首先，不同的建模方法和推荐算法可能需要不同的评价因子。其次，个性化推荐可能在不同的应用领域、应用和数据集上的推荐效果有很大的区别。目前研究者和开发者对于个性化系统中服务质量的影响因素缺乏共识。因此，个性化推荐评价标准体系还需要进一步深入研究。