根据张秀伟等人（2013）年的研究综述，Web服务的个性化推荐是为了解决信息超载问题而研究的。随着互联网技术和互联网行业的发展，越来越多的云服务API被提供出来，能够让开发人员不需要大量的开发工作就能够完成需要的任务，也让服务更加模块化。但是，大量的API让API收录或分发平台面临服务信息过载的问题。这就让Web服务推荐显得非常重要，也让学者开始对其进行研究。这些学者绝大部分是国内的学者，而且这样的研究绝大多数只是研究模型，成功应用案例较少。这样的情况有以下方面的原因：国内长期以来缺乏类似于ProgrammableWeb这样的第三方API收录平台，绝大多数API提供商都是自行宣传，而且它们实力雄厚，靠自己就可以很好地推广自己的API；API针对性强，提供商之间服务重叠低，竞争较少；需要Web服务推荐的大多数为大企业，在选择API提供商的时候需要综合考虑多重因素，中小企业和个人开发者往往是找到有需要的功能的API就用，大部分考虑的是价格方面的问题。

目前绝大多数关于Web服务推荐的文献都是将研究重点放在服务质量（QoS）的评估上的，某种程度上说，很多Web服务推荐的文献都是在讲述QoS的评估和预测。

唐明董等人（2018）认为传统的协同过滤方法和近年来流行的矩阵分解技术在Web服务推荐上各具不足，引入了一种通用的因子分解机模型到Web服务推荐中，并提出了质量感知Web服务推荐方法，并通过实验证明该方法在预测精度上优于其它协同过滤及因子分解推荐算法。同时由于该方法具有较低的时间复杂度，可以较好地解决大规模Web服务推荐系统的可扩展问题。这各方法的实质是依靠相似的用户或服务来推测QoS。

陆贝妮、杜育根（2019）对于QoS预测的现有方法存在数据稀疏和冷启动问题，提出了新的基于社区发现的QoS预测方法：首先通过谱聚类对用户进行社区划分，然后根据位置信息对Web服务聚类，最后利用改进的混合协同过滤方法预测QoS值。实验结果表明，该方法不仅能缓解上述问题，且相比其他预测方法有更高预测准确度。

汪浩等人（2018）借助非参数统计学的Bootstrap技术，提出估计Web服务QoS值置信区间的方法；然后利用与当前Web用户相似的其他Web用户调用待预测Web服务的QoS历史数据，预测当前Web用户调用待预测Web服务的QoS值的置信区间。实验表明预测的QoS置信区间与估计的QoS置信区间的平均覆盖率超过70%，最高达76%。

Zhang等人（2018）针对传统的Web服务推荐方案难以处理大量服务相关数据的问题，提出了CA-QGS（基于Spark的商空间粒度分析的覆盖算法），作为在大规模场景中精确推荐Web服务的可扩展手段。该算法首先基于用户在共同调用的Web服务的以往的质量体验来聚合用户和Web服务，再对聚合结果进行粒度分析，识别与目标用户和Web服务类似的用户和Web服务，使用协作过滤技术为目标用户预测目标Web范围的质量。大量实验证明该算法再推荐准确性和效率上均优于现有方法。

鉴于QoS的不确定性和难获取性，也有人在Web服务推荐上不仅看重QoS，而且也兼顾其他方面，如用户的信息、API的描述和评价、API之间的关系。

有学者从Web API的描述文档入手进行服务推荐的研究。

李鸿超等人（2018）针对提高Web推荐的质量的问题，提出了一种融合多维信息的主题自适应Web API推荐方法HDP-FM（hierarchical Dirichlet processes-factorization machines）为Mashup的创建推荐Web APIs集合。该方法以文档为语料库，利用HDP模型训练每个Web API的主题分布向量，预测每个Mashup的主题分布向量，通过计算出的相似度排序获取用于推荐的Web API集合。实验证明，该方法在准确率、召回率、F-measure和NDCG@N等方面具有较好的性能。