互联网技术发展飞速,功能相似的Web服务数量越来越多,如何从众多应用功能相似的Web服务中为用户选择适合的服务是当前热门研究的领域之一。服务质量(Quality of Service,QoS)是指Web服务的非功能属性,QoS预测对Web服务选择和推荐起着至关重要的作用。协同过滤算法是Web服务质量预测常用的算法之一,然而传统的协同过滤方法使用数据属性单一,只考虑到服务质量,没有考虑到用户和服务的额外特征属性,这些特征对Web服务QoS预测的精度的提高有很大的价值和意义。在实际生活中,Web服务数量越来越多,用户不可能访问所有的Web服务来获取其服务质量,因此用户-服务矩阵比较稀疏,严重影响了服务质量的预测精度,为了解决这两种问题,本文提出了两种改进算法:为了充分利用用户和服务所具有的特征属性,提高服务质量的预测精度,本文提出了一种基于RBF神经网络的协同过滤预测方法RBCF,该方法充分考虑到用户和服务的特征属性,比如用户和服务所在国家经度纬度等信息,根据特征属性使用RBF神经网络预测模型对Web服务所有缺失的QoS值进行预测,对原始稀疏的用户-服务矩阵进行数据填充,结合协同过滤算法,得出Web服务的最终QoS预测值,提高Web服务质量预测精度。针对历史QoS数据缺失而造成的用户-服务矩阵比较稀疏的问题,只有充分利用有限的数据集中的数据才会提升QoS预测精度,本文提出了一种基于改进的混合协同过滤的Web服务QoS预测方法RCCF,该方法引入了服务正向预测、服务反向预测和相似邻居交叉预测,通过平衡因子将基于用户的协同过滤、基于服务正向邻居和反向邻居协同过滤预测、基于相似用户访问相似服务的交叉预测算法进行融合,使用各自的置信度作为融合权重,置信度可以用来衡量不同预测算法结果的可信程度,通过实验观察分析可知,改进算法提高了数据的使用效率,Web服务质量的预测准确度有所提升。