1.一种Mashup服务需求的组件服务推荐方法，其特征在于，包括：步骤A、构建Mashup服务需求mr的候选组件Web API集合Cw(mr)；

步骤B、为服务需求mr和候选组件集合Cw(mr)中的Web API生成潜在应用场景特征词；

步骤B1、构建融入场景契合度的服务描述特征词提取模型SYAKE，SYAKE相比原始YAKE模型，在关键词提取时增加了语境权重和场景适配权重；

步骤B2、为服务需求mr和候选组件集合Cw(mr)中Web API生成潜在应用场景特征词；

步骤C、生成场景语义增强的Mashup服务需求向量和服务功能向量；

步骤C1、为Mashup服务需求mr生成场景语义增强的需求向量；

步骤C2、为Cw(mr)中的服务s生成场景语义增强的服务功能向量；

步骤D、为Web API生成融合多维关联特征的异质关联向量；

步骤D1、挖掘Web API之间的多维关联特征；

步骤D2、建立异质关联图；

步骤D3、基于异质关联图，利用HGPROMPT模型为异质关联图中的结点v对应的服务s生成关联向量vc(s)；

步骤E、建立分组混搭优化的Mashup服务需求的组件服务推荐模型，并求解推荐的组件；

将Cw(mr)中的服务聚类为k个服务簇G1, G2, …, Gk，每个服务簇对应一组候选WebAPI，每次推荐的组件服务为k个，分别来自G1至Gk中的服务，表示为，推荐的一组服务的评分公式如下：；

其中，vf(mr)为mr的需求向量；vf(si)为结点vi对应的服务si的服务功能向量；vc(si)为结点vi对应的服务si生成关联向量；vc(sj)为结点vj对应的服务sj生成关联向量；在上述评分公式的基础上，Mashup服务需求mr组件服务推荐的数学模型为：Z=max(p(RS, mr))；在分组和组内候选Web API数量不多时，该模型采取对G1, G2, …, Gk中的 Web API 排列组合的方式代入Z，按照得分高低进行推荐。

2.根据权利要求1所述的Mashup服务需求的组件服务推荐方法，其特征在于：所述步骤B1中服务描述包含的词的综合权重公式如下：；

其中， Wcase为词形权重， Wpos为位置权重、Wrel为词汇共现权重、Wdif为句频权重、Wcon为语境权重、Wscen为场景适配权重；

所述步骤B2中，采用公式SYAKE(w)为Cw(mr)中每个Web API形成一个特征词集合；

在该特征词集合中，利用如下公式计算每一个特征词与标签的适配度：；

采用如下公式为mr的每个标签筛选Top-n适配度最高的词语，构成mr的潜在应用场景特征词Law(mr) ；

；

采用如下公式为Cw(mr)中的每个服务s推荐潜在应用场景特征词Law(s)：。

3.根据权利要求1所述的Mashup服务需求的组件服务推荐方法，其特征在于：所述步骤C1中，采用Word2vec为mr的潜在应用场景特征词Law(mr)生成词向量、将这些词向量的均值作为mr的潜在应用场景特征词向量与hmr拼接，形成的向量作为mr的需求向量，记作vf(mr)，符号“||”表示向量拼接，hmr为采用SimCSE为需求mr生成的功能向量；

；

所述步骤C2中，使用SimCSE生成功能向量hs，将其与潜在应用场景特征词向量均值拼接，形成的向量作为s的服务功能向量，记作vf(s) ：。

4.根据权利要求1所述的Mashup服务需求的组件服务推荐方法，其特征在于：所述步骤D3中，利用HGPROMPT模型为异质关联图中的结点v对应的服务s生成关联向量vc(s)，具体如下：(1)通过图模板，将Web API异质关联图拆解为4个同质子图和1个去除异质性、只保留原图拓扑结构的同质总图；

(2)在每个图中，使用广度优先遍历的随机游走，提取以每个结点为中心的子图，训练特征提示向量以聚合子图向量，作为结点在当前同质图中的嵌入；

(3)训练异质性提示向量实现结点在所有同质图中嵌入的异质性聚合，得到Web API异质关联向量。