一种图嵌入增强的WebAPI推荐方法和系统技术方案

本发明专利技术涉及一种图嵌入增强的Web API推荐方法和系统，方法包括：获取Mashup节点和Web API节点的ID嵌入向量和文本嵌入向量，并计算Mashup节点和Web API节点邻居节点的ID嵌入向量和文本嵌入向量；对ID嵌入向量和文本嵌入向量，以及所有邻居节点的ID嵌入向量和文本嵌入向量进行融合，得到融合后的嵌入向量E

【技术实现步骤摘要】
一种图嵌入增强的Web API推荐方法和系统


[0001]本专利技术涉及自动化交互
，特别是涉及一种图嵌入增强的Web API推荐方法和系统。

技术介绍

[0002]Web服务是一种以服务为导向的架构技术，该技术常被用来完成分布式和异构系统之间的自动化交互或链接业务流程。然而，功能单一的Web服务很难满足一些复杂多变的需求。为解决这一问题，一种区别于传统资源集成方案的新型企业级应用开发技术Mashup被提出。该技术能够集成单一功能的服务(即Web API服务:使用REST风格、HTTP协议、JSON数据格式；可通过互联网使用的应用程序接口；具有易访问、可扩展、易开发与组合等诸多优点)，构建多功能服务应用以适应用户的复杂请求。随着Mashup技术的广泛使用，出现了许多Mashup服务平台(如ProgrammableWeb，IBM Mashup Center，Yahoo Pipe等)以提供种类繁多的Web API。在平台上，用户可以根据自身的需求选择性地调用Web API来创建满足相应需求的Mashup应用。然而，网络上发布的Web API服务越来越多(以ProgrammableWeb平台为例，截止2016年12月，已发布超过15500个Web API服务接口)，加之Web API描述文档非结构化，许多Web API功能相似但性能差异较大等一系列问题，使得从Web API服务库中选取开发者感兴趣的、适合的、高质量的Web API来构建Mashup应用变得越来越困难。
[0003]目前，现有的推荐系统中比较常用的推荐方法，例如基于协同过滤的推荐方法、基于图嵌入的推荐方法。基于协同过滤的推荐方法通常是利用Mashup和Web API之间的调用关系构建调用关系矩阵。基于协同过滤的推荐方法又包括基于Mashup的协同过滤方法和基于Web API的协同过滤方法。基于Mashup的协同过滤方法，通常假设相似的Mashup通常会选择和调用相同的Web API。而基于Web API的协同过滤方法，通常假设相似的Web API可能会被同一个Mashup选择和调用。
[0004]协同过滤推荐方法存在的问题是当Mashup和Web API之间的调用关系矩阵数据稀疏时，推荐算法的性能很差。基于图嵌入的Web API推荐方法，通常也是基于Mashup和Web API之间的调用关系，构建调用关系图谱，基于所构建的图谱，例如图谱的嵌入向量生成技术，生成图上的每个Mashup和每个Web API节点的embedding嵌入向量表示。这种基于图的嵌入向量表示虽然可以通过叠加高阶关系来缓解协同过滤算法存在的数据稀疏问题，但是它和协同过滤方法存在着同样的问题，即他们都是仅仅依赖于调用关系所生成的ID嵌入向量来计算Mashup和Web API对应的embedding嵌入向量，而没有考虑Mashup和Web API自身的文本描述信息。

技术实现思路

[0005]本专利技术的目的在于提供一种图嵌入增强的Web API服务推荐方法和系统，在现有的基于图嵌入的Web API推荐方法基础上，融合了文本嵌入向量，将文本嵌入向量和ID嵌入向量进行联接。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种图嵌入增强的Web API推荐方法，包括：
[0008]获取Mashup节点和Web API节点的ID嵌入向量和文本嵌入向量，并分别计算所述Mashup节点和所述Web API节点所有邻居节点的ID嵌入向量和文本嵌入向量；
[0009]对所述Mashup节点的ID嵌入向量和文本嵌入向量，以及所述Mashup节点的邻居节点的ID嵌入向量和文本嵌入向量进行融合，得到融合后的嵌入向量E
M
；
[0010]对所述Web API节点的ID嵌入向量和文本嵌入向量，以及所述Web API节点的邻居节点的ID嵌入向量和文本嵌入向量进行融合，得到融合后的嵌入向量E
A
；
[0011]基于所述嵌入向量E
M
和所述嵌入向量E
A
，计算所述Mashup节点和所述Web API节点的匹配度，得到Web API的推荐结果。
[0012]优选地，获取所述Mashup节点和所述Web API节点的ID嵌入向量的过程包括：
[0013]分析所述Mashup节点和Web API节点之间的历史调用关系数据集，从所述历史调用关系数据集中提取并生成Mashup和Web API的调用关系图，构建Mashup和Web API的调用关系图谱，基于所述调用关系图谱，利用图嵌入向量生成技术生成所述Mashup节点的ID嵌入向量和所述Web API节点的ID嵌入向量。
[0014]优选地，所述图嵌入向量生成技术包括采用开源工具TensorFlow提供的图嵌入向量生成工具生成所述Mashup节点和所述Web API节点的ID嵌入向量，分别记为：
[0015]优选地，获取所述Mashup节点和所述Web API节点的文本嵌入向量的过程包括：
[0016]将描述所述Mashup节点和所述Web API节点的文本信息分别与基于图嵌入的方法融合，生成所述Mashup节点的文本嵌入向量和所述Web API节点的文本嵌入向量，分别记为：
[0017]优选地，生成所述文本嵌入向量的过程包括：将文本信息的文本域进行分词处理，提取出关键词，对提取后的所述文本域执行连接操作，形成一个整体文本域，基于Doc2Vec方法生成连接后的整体文本域的文本嵌入向量；其中，所述文本信息包括：名字、描述信息、分类信息。
[0018]优选地，计算所述Mashup节点和所述Web API节点所有邻居节点的ID嵌入向量和所述文本嵌入向量的过程包括：
[0019]计算所述Mashup节点和所述Web API节点的邻居节点集合；
[0020]基于所述邻居节点集合，计算所有邻居节点的ID嵌入向量和文本嵌入向量；
[0021]选取任一Mashup节点和Web API节点，分别对任一Mashup节点和任一Web API节点的邻居节点的所述ID嵌入向量和所述文本嵌入向量进行融合。
[0022]优选地，进行所述文本嵌入向量和所述ID嵌入向量融合的方法分别描述为如下公式(1)和公式(2)：
[0023][0024][0025]其中，表示Mashup节点M的任一邻居节点M
i
∈N
M
的文本嵌入向量，|N
M
|表示Mashup节点M的所有邻居节点集合中的元素个数；表示Mashup节点M的任一邻居节点M
i
∈N
M
的ID嵌入向量；对任意一个Mashup节点M的所有邻居节点N
M
＝{M1，M2,
…
,M
k
}的ID嵌入向量进行融合，为对任意一个Mashup节点M的所有邻居节点N
M
＝{M1，M2,
…本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图嵌入增强的Web API推荐方法，其特征在于，包括：获取Mashup节点和Web API节点的ID嵌入向量和文本嵌入向量，并分别计算所述Mashup节点和所述Web API节点所有邻居节点的ID嵌入向量和文本嵌入向量；对所述Mashup节点的ID嵌入向量和文本嵌入向量，以及所述Mashup节点的邻居节点的ID嵌入向量和文本嵌入向量进行融合，得到融合后的嵌入向量E
M
；对所述Web API节点的ID嵌入向量和文本嵌入向量，以及所述Web API节点的邻居节点的ID嵌入向量和文本嵌入向量进行融合，得到融合后的嵌入向量E
A
；基于所述嵌入向量E
M
和所述嵌入向量E
A
，计算所述Mashup节点和所述Web API节点的匹配度，得到Web API的推荐结果。2.根据权利要求1所述的图嵌入增强的Web API推荐方法，其特征在于，获取所述Mashup节点和所述Web API节点的ID嵌入向量的过程包括：分析所述Mashup节点和Web API节点之间的历史调用关系数据集，从所述历史调用关系数据集中提取并生成Mashup和Web API的调用关系图，构建Mashup和Web API的调用关系图谱，基于所述调用关系图谱，利用图嵌入向量生成技术生成所述Mashup节点的ID嵌入向量和所述Web API节点的ID嵌入向量。3.根据权利要求2所述的图嵌入增强的Web API推荐方法，其特征在于，所述图嵌入向量生成技术包括采用开源工具TensorFlow提供的图嵌入向量生成工具生成所述Mashup节点和所述Web API节点的ID嵌入向量，分别记为：4.根据权利要求1所述的图嵌入增强的Web API推荐方法，其特征在于，获取所述Mashup节点和所述Web API节点的文本嵌入向量的过程包括：将描述所述Mashup节点和所述Web API节点的文本信息分别与基于图嵌入的方法融合，生成所述Mashup节点的文本嵌入向量和所述Web API节点的文本嵌入向量，分别记为：5.根据权利要求4所述的图嵌入增强的Web API推荐方法，其特征在于，生成所述文本嵌入向量的过程包括：将文本信息的文本域进行分词处理，提取出关键词，对提取后的所述文本域执行连接操作，形成一个整体文本域，基于Doc2Vec方法生成连接后的整体文本域的文本嵌入向量；其中，所述文本信息包括：名字、描述信息、分类信息。6.根据权利要求1所述的图嵌入增强的Web API推荐方法，其特征在于，计算所述Mashup节点和所述Web API节点所有邻居节点的ID嵌入向量和所述文本嵌入向量的过程包括：计算所述Mashup节点和所述Web API节点的邻居节点集合；基于所述邻居节点集合，计算所有邻居节点的ID嵌入向量和文本嵌入向量；选取任一Mashup节点和Web API节点，分别对任一Mashup节点和任一Web API节点的邻居节点的所述ID嵌入向量和所述文本嵌入向量进行融合。7.根据权利要求6所述的图嵌入增强的Web API推荐方法，其特征在于，进行所述文本嵌入向量和所述ID嵌入向量融合的方法分别描述为如下公式(1)和公式(2)：
其中，表示Mashup节点M的任一邻居节点M
i
∈N
M
的文本嵌入向量，|...

【专利技术属性】
技术研发人员：刘佳荟，谢秋菊，邓安生，岳官利，李佳龙，
申请(专利权)人：东北农业大学，
类型：发明
国别省市：