1.一种用于Web服务推荐的协同过滤算法，基于用户偏好和服务可信度，针对Web服务进行过滤，并向用户进行推荐，其特征在于，包括如下步骤：步骤A.利用QoS训练样本集Q构造用户偏好数据集SAT；

步骤B.利用QoS训练样本集Q构造服务可信度数据集C；

步骤C.将服务可信度数据集C作为比重,联合用户偏好数据集SAT,计算各用户之间的偏好相似度；

步骤D.分别针对各个用户，根据各用户之间相似度，采用top-k算法，获得各个用户分别所对应的优先相似邻居集合N(um)；其中，1≤m≤M，M表示所有用户的总数，um表示所有用户中的第m位用户；

步骤E.分别针对各个用户，根据用户所对应的优先相似邻居集合N(um)，结合该用户与其优先相似邻居集合N(um)中各用户的偏好相似度，计算获得该用户相对各个服务的缺失QoS预测值P(um,sn)，进而获得各个用户分别相对各个服务的缺失QoS预测值P(um,sn)；其中，1≤n≤N,N表示所有服务的总数，sn表示所有服务中的第n个服务；

步骤F.分别针对各个用户，根据用户相对各个服务的缺失QoS预测值P(um,sn)，向用户推荐QoS优秀的候选未知服务，并采用MAE评价准则输出该用户所对应的QoS预测值相较于真实值的准确率结果。

2.根据权利要求1所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述步骤A，利用QoS训练样本集Q构造用户偏好数据集SAT，包括如下：给定用户集合U＝{u1,…,um,…,uM}，给定服务集合S＝{s1,…,sn,…,sN}；定义Satm,n表示用户um对服务sn的偏好，并构建一个mxn的用户偏好矩阵SATmxn；同时构建一个mxn的QoS矩阵Qmxn，qm,n表示用户um访问服务sn的QoS值，然后由QoS数据中提取用户偏好，构造用户偏好数据集SAT。

3.根据权利要求2所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述Satm,n如下：其中公式(2)和公式(3)中，min(um)表示用户um访问的最小的QoS值，max(um)表示用户um访问的最大的QoS值。

4.根据权利要求3所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述步骤B，利用QoS训练样本集Q，由QoS数据中提取服务可信度，并定义C1,n为服务sn的可信度，并构建一个1xn的服务可信度矩阵C1xn，构造服务可信度数据集C。

5.根据权利要求4所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述C1,n如下：公式(4)中，Qn表示服务sn全部已知QoS值的集合， 表示服务sn全部已知QoS值的平均值，|Qn|表示服务sn全部已知QoS值的数量，δ是预设阈值。

6.根据权利要求5所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述步骤C中，将服务可信度数据集C作为比重,联合用户偏好数据集SAT,计算各用户之间的偏好相似度，具体如下：定义用户相似度矩阵SIMM×M，sim(u,v)表示用户v对于用户u之间的偏好相似度，v∈U，u∈U，v≠u，定义服务可信度比重ωj，这里ωn＝C1,n，sim(u,v)的计算如公式(5)所示：其中，ISat表示用户u和用户v共同访问的Web服务集合，n属于ISat是集合中的一个服务；

Satu,n和Satv,n分别表示用户u和用户v对服务n的偏好， 和 分别表用户u和用户v对各自访问的Web服务的偏好平均值。

7.根据权利要求6所述一种用于Web服务推荐的协同过滤算法，其特征在于，所述步骤E中，分别针对各个用户，根据用户所对应的优先相似邻居集合N(um)，结合该用户与其优先相似邻居集合N(um)中各用户的偏好相似度，联合PCC算法，采用如下公式：计算获得该用户相对各个服务的缺失QoS预测值P(um,sn)，进而获得各个用户分别相对各个服务的缺失QoS预测值P(um,sn)；其中，1≤n≤N,N表示所有服务的总数，sn表示所有服务中的第n个服务；sim(um,v')表示用户um与用户v'之间的偏好相似度，qv',n用户v'访问服务sn的QoS值； 表示用户v′对于所有已知服务的访问平均值； 表示用户um对于除sn以外所有已知服务的访问平均值。