La API web es una forma eficiente para el desarrollo de Software basado en Servicios (SBS), y el mashup es una tecnología clave que combina varios servicios web para hacer frente a la creciente complejidad de los requisitos de software y acelerar el desarrollo del sistema basado en servicios. El método eficiente de recomendación de servicios es vital para el desarrollo de software. Sin embargo, los métodos existentes a menudo sufren de problemas de escasez de datos o de inicio en frío, lo que debería llevar a efectos negativos. Actualmente, este documento comienza con el desarrollo de SBS y propone un método de recomendación de servicios basado en la incrustación de grafos de conocimiento y la tecnología de filtrado colaborativo (CF). En nuestro modelo, primero construimos un grafo de conocimiento refinado utilizando el registro de co-invocación de SBS-servicio y la información relacionada con SBS y servicio para extraer la relación semántica potencial entre SBS y servicio. Luego, aprendemos las entidades de SBS y servicio en el grafo de conocimiento. Estas entidades heterogéneas (SBS y servicio, etc.) se incrustan en el espacio de baja dimensión a través de los algoritmos de aprendizaje de representación de Word2vec y TransR, y se calculan las distancias entre los vectores de SBS y servicio. La entrada del modelo de recomendación es el requisito de SBS (SBS objetivo), se extrae del grafo de conocimiento el conjunto funcional de SBS similares, lo que puede aliviar el problema de inicio en frío. Mientras tanto, el modelo de recomendación utiliza CF para recomendar servicios al SBS objetivo. Finalmente, este documento verifica la efectividad del método en el conjunto de datos del mundo real. En comparación con varios métodos de vanguardia, nuestro método tiene la mejor tasa de acierto de servicio y calidad de clasificación.