基于潜在特征提取的API服务推荐方法研究.pdfVIP

摘要

随着物联网技术、云计算的蓬勃发展，Web应用更新迭代的速度也随之增长。

有效地利用Web应用程序编程接口（WebApplicationProgrammingInterface，Web

API）可大大缩短Web应用的开发周期。但由于WebAPI服务数量急速增长，开

发人员需要耗费大量时间从海量API服务中寻找合适的服务。因此，如何从API

资源平台中为用户推荐合适的服务，从而降低服务寻找的时间，成为保证开发效

率的关键所在。

近年来，不少研究者针对Web服务推荐进行研究。其中，协同过滤

（CollaborativeFiltering，CF）因具有简单有效的特点且对推荐对象本身的辅助

信息依赖性不高，而成为Web服务中最广泛的推荐方法。然而该方法依赖于用

户历史交互数据，无法有效解决冷启动问题和数据稀疏问题。基于内容的Web服

务推荐方法根据推荐对象的辅助信息相似性进行推荐，一定程度上缓解冷启动问

题，但很难在内容中提取用户偏好级别的特征相似性，推荐效果较差。混合方法

融合上述两种方法的优点，但由于无法学习更深层次的非线性潜在特征，Web服

务推荐效果受到一定限制。

针对上述问题，并考虑到在线API服务资源平台除了包含用户历史调用记

录，还有服务丰富的辅助信息，本文提出两种新颖的WebAPI服务推荐方法：基

于隐式关系的API服务推荐方法和基于异构信息网络和深度协同过滤的API服

务推荐方法。两种方法合理利用用户近邻关系和API服务的辅助信息以补充数

据的缺失，同时结合辅助信息构建的网络和深度神经网络来挖掘更深层次的非线

性潜在特征，进一步缓解数据高稀疏性问题，提高WebAPI服务的推荐精准性。

本文的主要贡献如下：

（1）提出一种基于隐式关系的API服务推荐方法（MF-basedEnsembleModel，

EHR），该模型包含两个单独模型：基于用户调用行为隐式关系的API服务推荐

方法（MF-basedrecommendationmethodwiththeminedhiddenrelationshipsofusers’

invocationbehaivor，UHR）和基于文本特征隐式关系的API服务推荐方法（MF-

basedrecommendationmethodwiththeminedhiddenrelationshipsofAPIs’text-aware，

AHR）。首先，UHR通过历史调用行为衡量用户间的相似度，以研究用户近邻间

对调用行为的影响，提高推荐效果。其次，AHR模型通过API服务功能描述文

本的相似度量给用户推荐相似功能的服务。这两种子模型分别挖掘用户和服务的

潜在特征关系，在一定程度上缓解数据稀疏性问题。EHR模型以线性加权方式

融合两个子模型UHR和AHR的预测结果，得到最终的API服务预测结果。

（2）提出一种基于异构信息网络和深度协同过滤的API服务推荐方法（Deep

CollaborativeFilteringwithHeterogeneousInformationNetwork，HIN-DCF）。HIN-

DCF是一种结合异构信息网络和神经协同过滤来挖掘数据潜在交互特征的API

服务推荐方法。该方法首先通过不同类型节点构建异构信息网络，采用基于元路

径的DeepWalk随机游走方法提取异构信息网络中丰富的结构潜在特征并用于节

点向量表示。其次，通过神经协同过滤模型中的多层感知机同时挖掘结构潜在特

征与历史交互数据的潜在特征，提升推荐效果。

（3）本文从ProgrammableWeb网站爬取了真实用户调用API服务的数据，

并将其用于验证本文提出的方法。所采集的数据主要包含用户调用API服务的

交互数据，API服务的功能描述文本以及服务类别数据。基于所采集的数据，经

过详细的实验对比和分析，可发现本文所提出的方法较现有API服务推荐方法

具有更好的准确度。

关键词：Web