一种融合异构信息网络与生成对抗网络的服务分类方法技术

本发明专利技术公开了一种融合异构信息网络与生成对抗网络的服务分类方法，包括如下步骤：(1)服务异构信息网络构建及Metapath2vec网络表征；(2)GAN对抗训练；(3)服务分类。本发明专利技术属于互联网技术领域，具体是指一种首先针对Web服务之间的结构关系和自身的属性信息构建出异构信息网络；然后，基于元路径的随机游走并联合服务节点与邻居节点进行训练得到服务的特征嵌入；最后，采用具有关系感知的GAN模型实现对抗训练，通过生成器和判别器的极大极小化博弈学习高质量的负样本信息，对服务的特征嵌入进行优化，从而实现Web服务分类的融合异构信息网络与生成对抗网络的服务分类方法。息网络与生成对抗网络的服务分类方法。息网络与生成对抗网络的服务分类方法。

【技术实现步骤摘要】
一种融合异构信息网络与生成对抗网络的服务分类方法


[0001]本专利技术属于互联网
，具体是指一种融合异构信息网络与生成对抗网络的服务分类方法。

技术介绍

[0002]近年来，随着服务计算的发展，Web服务的发现和挖掘成为一个热门的研究方向。研究表明：正确高效的Web服务分类能够有效提高Web服务发现的性能。目前，对Web服务分类的大量研究主要是基于功能语义的服务分类。其中，Crosso等人将WSDL中的元素进行分割去除停用词后，归至词根，然后利用不同的分类算法进行分类。Katakis等人考虑了Web服务的文本描述和语义标注，解决了Web服务在其应用领域的自动分类问题。Ye等人将Web服务描述文档中的所有离散特征结合起来，利用Wide&Bi
‑
LSTM模型对Web服务类别进行预测。Chen等人利用LSA模型对移动应用内容文本进行全局主题建模，再通过BiLSTM模型对内容文本进行局部隐藏表征，提出一种主题注意力机制增强的移动应用分类方法。Shi等人提出了一种考虑多重Web服务关系的概率主题模型MR
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合异构信息网络与生成对抗网络的服务分类方法，其特征在于，包括如下步骤：(1)服务异构信息网络构建及Metapath2vec网络表征：构建如下表1所示元路径，采用Metapath2vec模型计算出两两服务之间的嵌入表征，Metapath2vec通过基于元路径的随机游走及异构Skip
‑
gram模型学习网络表征，捕获不同类型节点之间的语义和结构相关性；表1 服务相关的元路径(2)GAN对抗训练：SC
‑
GAN主要由两个相互竞争的模块组成，即判别器和生成器，给定一个服务节点，生成器尝试生成与给定服务节点相关联的伪样本，以提供给判别器，判别器则尝试改进其参数来将假样本与实际连接到给定节点的真实样本分离，在这个重复的过程中，训练好的判别器会迫使生产器产生更好的假样本，而判别器则也会增强其判断能力，在这样的迭代过程中，生成器和判别器都得到正强化；(3)服务分类：将SC
‑
GAN模型的服务节点嵌入表征输入到一个完整的连接层中，并使用多元Logistic回归函数输出所有候选Web服务类别的概率分布；Logistic回归用来预测一个具有类别分布的因变量不同可能结果的概率的模型，将多分类的输出值转换为相对概率，表示节点属于特定类别的概率，其计算方式见公式(10)。其中，k个模型分别预测训练数据属于那个类别的概率，k为候选Web服务类别数，w表示服务节点对应的权重矩阵，表示向量的特征嵌入；在模型训练过程中，对于所有K个可能的分类结果，运行K
‑
1个独立二元逻辑回归模型，在运行过程中把其中一个类别看成是主类别，然后将其它K
‑
1个类别和所选择的主类别分别进行回归运算；在对数似然取最大值等价于损失函数取最小值，其中，对数似然计算方式如下：2.根据权利要求1所述的一种融合异构信息网络与生成对抗网络的服务分类方法，其特征在于：所述步骤(2)中，在TransE异构信息网络嵌入方法中，服务异构信息网络中的每一个三元组<s,r,v>(s和v表示两个关系相联的服务节点，r表示它们之间链接的边类型)，两个服务节点的潜在向量表示为s和v∈V，关系的潜在向量表示r∈R；生成器G(
·
；θ
G
)利用了以下高斯分布从基础连续分布中生成样本：其中，和分别表示生成器s∈v的服务节点嵌入和的关系矩阵；生...

【专利技术属性】
技术研发人员：曹步清，谢湘，刘建勋，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：