1.一种融合语义增强与异质关联的Web服务聚类方法，其特征在于，包括以下步骤：步骤A、构建适用于服务聚类的数据集；

步骤B、构建面向语义增强与对比学习的服务功能向量：

步骤B1、为服务描述中的动词采用同义词替换的方式构建孪生服务描述样本；

步骤B2、在SimCSE框架下，采用对比学习技术为原服务描述与孪生服务描述分别生成功能向量，将两种功能向量的均值作为原服务描述的语义增强服务功能向量；

步骤C、生成服务关联向量：

步骤C1、根据服务之间的标签共享和协作关系，构建融合功能关联和协作关联的服务异质关联图，建模Web服务之间的功能关联和协作关联；

步骤C2、从功能关联强度和协作关联强度两个角度设计融合服务关联强度的随机游走策略，优先将关联度高的结点采样的路径序列中；

步骤C3、基于改进的GATNE模型为服务异质关联图实现结点嵌入，生成服务关联向量；

步骤D、将服务功能向量和服务关联向量融合为服务表征向量，实现服务聚类。

2.根据权利要求1所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤B1中，将动词采取同义词替换的方式构建服务描述的孪生样本，令D＝{d1,d2,…,dn}为服务描述文本集合，di＝{w1,w2,…,wn}为一个Web服务的描述文本，首先对di中的组成词语进行词性标注，对于词性为动词的词语wj，获取其同义词wj′，将di中所有动词替换为其近义词后生成的服务描述为d′i，经过动词替换后的服务描述文本集合记为D′。

3.根据权利要求2所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤B2具体通过以下方式实现：

(1)利用SimCSE框架，分别为D和D′中的服务描述文本生成功能向量：令hi1＝SimCSE(di,D)，hi2＝SimCSE(d′i,D′)，最终为di生成的语义增强的服务功能向量表示为hi，即SE‑SimCSE(si)＝hi对应的功能向量：(2)为每一个参与聚类的Web服务s生成服务功能向量sfv(s)，所有服务的功能向量集合为SRV＝{sfv(s)}：sfv(s)＝SE‑SimCSE(s)。

4.根据权利要求1所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤C1具体包括以下步骤：

定义功能关联：若存在标签l，使得l∈si.L∩sj.L，则称服务si与服务sj存在功能关联，记作：si～sj；

定义协作关联：存在Mashup服务m，使得si∈m.S∧sj.∈m.S，则称服务si与服务sj存在协作关联，记作：定义服务异质关联图：服务异质关联图为一个无向加权图HCG＝(V,E,W)，其中：V＝{v1,v2,…,vn}为服务结点集合，结点vi表示Web服务si；E＝{Ef,Ec}，Ef和Ec分别为功能关联边集合与协作关联边集合；e＝(vi,vj)∈Ef中的结点vi与vj所对应的服务si和sj满足si～sj；e＝(vi,vj)∈Ec中的结点vi与vj所对应的服务si和sj满足 W＝{wij}为边的权值集合，对wij＝Nl(si,sj)； wij＝Nm(si,sj)；

服务异质关联图中包含两类边，一类是服务的功能关联边，如果两个服务si与sj存在相同的标签，则在HCG中的结点vi和vj之间建立一条功能关联边，功能关联边的权重为服务si与sj共同标签的数量，记作Nl(si,sj)；另外一类为协作关联边，如果两个服务si与sj共存于同一个Mashup服务的组成服务集合中，则在HCG中的结点vi和vj之间建立一条协作关联边，协作关联边的权重为服务si与sj共同参与Mashup服务的数量，记作Nm(si,sj)。

5.根据权利要求4所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤C1中，若服务si与sj共同参与到同一个服务组合流程，则按照存在协作关联处理。

6.根据权利要求5所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤C2具体包括：

(1)计算服务功能关联强度：

(2)设定在元路径模式T＝v1→v2→...vt→vt+1→vl中，每步游走的边类型均与上一步边类型r不同，若第t‑1步游走边类型为r，则第t步从vi到vj的转移概率为softmax函数归一化后的服务关联强度：其中，Nt+1(vi,r)表示vi不同于边类型r的关联结点集，对于长度为l的随机游走路径P＝(vp1,…,vpl)，vpt的上下文为C＝{vpk|vpk∈P,|k‑t|≤c,t≠k}，k为常数，1≤k≤l，其中c为窗口大小的半径。

7.根据权利要求6所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤C3中，所述改进GATNE模型是指：

根据wij∈W为每个结点计算归一化服务关联权重，融入到边的嵌入表征生成过程中，具体边权融合方式具体如下：其中，Ne_f(vi)与Ne_c(vi)分别表示结点vi所连接的功能关联边与协作关联边的数量，wi,j与wi,k分别为结点vi与当前边所连结点vj与vk的边权，归一化服务关联权重为Zv， 与分别代表平均边权中的最大值与最小值，由此，结点vi对于r类型的边的整体表征表示改进后如下：其中，bi为结点vi的结点基础表征，ar是超参数，为不同类型边分配的注意力系数，ai,r为自注意力机制系数， 为可训练的转移矩阵，Ui为结点vi的边嵌入表征。

8.根据权利要求7所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤C3中：

将设计的随机游走策略与改进的GATNE模型相结合，生成适用于服务异质关联图的结点嵌入表示模型GAT‑HCG，将参与聚类的服务集合S和异质关联图G作为输入，生成服务关联向量集合SCV＝GAT‑HCG(S,G)，其中，集合S中的服务s对应的服务关联向量表示为scv(s)。

9.根据权利要求1所述的融合语义增强与异质关联的Web服务聚类方法，其特征在于：所述步骤D中，将每个服务的功能向量与关联向量进行拼接，生成服务表征向量srv(s)，即sfv(s)表示服务功能向量，scv(s)表示服务关联向量，所有服务表征向量的集合记为SRV；采用K‑means++作为聚类算法，生成服务聚类集合SC＝K‑means++(SRV,sn)，sn为需要生成的聚类的数量。