欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116818451
申请人: 中国计量大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述方法包括以下步骤:第一步、提取基于服务模体的服务超图,过程如下:

步骤(1.1)从相关API网站爬取 Mashup 服务信息;

步骤(1.2)对爬取到的 Mashup 服务集合进行分析,选择有利于提升服务推荐准确性且内容丰富的元信息;

步骤(1.3)归纳共关联模体、多重强关联模体、单一关系模体、复合关系模体四种类型的模体;其中,四种模体的说明如下:共关联模体:在Mashup调用场景中,存在两个Mashup携带相同标签,称之为同标签关系,服务数据中存在Mashup之间两两具有同标签关系,并且形成三元闭包结构,称为共关联模体;

其中三元闭包是社会网络理论中的一个概念,指的是由A,B,C三个节点所组成的三元组的一种性质,即A与B、A与C、B与C之间都强联系;

多重强关联模体:标签本身具有多样性且人为定义标签造成了Mashup携带标签的不确定性,将一对Mashup同时携带两个及以上相同标签的关系定义为强关联关系,并将多个Mashup之间互为强关联关系形成闭环的结构定义为多重强关联模体;

单一关系模体:Mashup与API的调用关系呈现了Mashup的功能特征,同时调用相同API的两个Mashup彼此间具有功能相似性,定义两个Mashup调用相同API的模体为单一关系模体;

复合关系模体:Mashup之间调用相同API的同时也携带相同标签,为了利用这个特征来探索Mashup之间的关系,将同时调用相同API且具有同标签关系的Mashup定义为复合关系模体;

步骤(1.4)根据步骤(1.3)所提模体,构建多通道超图;

第二步、通过混合随机游走算法计算多通道超图的卷积权重矩阵C,过程如下:步骤(2.1)在结合部分吸收随机游走和有偏的随机游走基础上,提出混合随机游走算法,计算超图上的卷积权重矩阵C;

步骤(2.2)根据权重计算公式,进一步得到,其中,为一个所有值都大于0的正则化矩阵,D表示超图的度矩阵,度矩阵是一个对角矩阵,其对角元素表示对应顶点的度数;W表示节点间由度决定的权重,Q是有偏的随机游走中用于调整跃迁概率的参数矩阵;

步骤(2.3)进一步进行计算,推出卷积权重矩阵的闭合形式;其中,;

第三步、对超图进行卷积操作并聚合多个通道上的卷积结果,获得Mashup的嵌入表达;

第四步、使用Bert,根据API的描述文档对其进行编码,得到API的嵌入表达;

第五步、根据模型推荐结果,对模型进行优化。

2.如权利要求1所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述步骤(1.2)中,保留的元信息包含Mashup、API、Mashup 与 API 的调用关系和Mashup携带的标签;

其中,Mashup集合被定义为,其中,N为集合中Mashup的总数,Mashup 调用的API集合为,为Mashup 调用的API总数,所有Mashup调用的API集合为,其中表示求所有集合的合集;Mashup-API调用关系被存储在0-1矩阵中,其中,所涉及的每一对Mashup m和API a,表示Mashup 与API 存在调用关系,表示Mashup 与API 不存在调用关系;

其中,标签代表了Mashup的部分功能或属性,标签信息中包含了Mashup与API的协同信息,所以API和Mashup的特征挖掘过程中不仅用到了调用信息也用到了标签信息,使用0-1矩阵来表示标签与Mashup的携带关系,其中,所涉及的每一对Mashup m和标签ta,表示Mashup 与标签ta存在携带关系,表示Mashup 与标签ta不存在携带关系。

3.如权利要求1所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述步骤(1.4)的过程如下:步骤(1.4.1)依据“共关联模体”,构建超图G1,过程为;

步骤(1.4.1.1)根据Mashup-标签携带关系矩阵计算,进行步骤(1.4.1.2);

其中,,表示Mashup之间携带相同标签数量,其中表示求矩阵的转置;

步骤(1.4.1.2)构建上三角矩阵,用于代表Mashup之间是否携带相同标签,进行步骤(1.4.1.3);

其中,由矩阵取对角线右上方并将所有大于0的数置1得到;

步骤(1.4.1.3)计算超图G1的邻接矩阵;

其中,邻接矩阵是表示超图中顶点之间相邻关系的矩阵,超图G1的邻接矩阵的计算公式为,其中,表示求左右两边矩阵的哈达玛积;

步骤(1.4.2)依据“多重强关联模体”,构建超图G2,过程为;

步骤(1.4.2.1)构建矩阵,用于代表Mashup之间是否携带两个及以上相同标签,进行步骤(1.4.2.2);

其中,矩阵为通过取矩阵对角线右上方并将所有大于2的数置1,其余置0,构建而成的上三角矩阵;

步骤(1.4.2.2)计算超图G2的邻接矩阵;

步骤(1.4.3)根据“单一关系模体”,构建超图G3,过程为;

步骤(1.4.3.1)根据Mashup-API调用关系矩阵计算得到,进行步骤(1.4.3.2);

其中,,表示Mashup之间调用相同API的数量;

步骤(1.4.3.2)根据矩阵计算得到矩阵,进行步骤(1.4.3.3);

其中,矩阵通过取矩阵对角线右上方并将所有大于0的数置1构建而成,代表Mashup之间是否调用相同API;

步骤(1.4.3.3)计算超图G3的邻接矩阵;

其中,超图G3的邻接矩阵S3的计算公式为;

步骤(1.4.4)依据“复合关系模体” ,将超图G4的邻接矩阵计算结果与上三角矩阵求哈达玛积,计算超图G4的邻接矩阵构建超图G4;

其中,超图G4的邻接矩阵S4的计算公式为,表示过滤掉不携带相同标签的Mashup对。

4.如权利要求3所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述步骤(1.4.2.2)的过程为;

步骤(1.4.2.2.1)定义邻接矩阵S2表示超图G2的邻接矩阵;

步骤(1.4.2.2.2)遍历Mashup集合M,并初始化值i为1用于记录Mashup的编号,进行步骤(1.4.2.2.2.1-1.4.2.2.2.3)计算S2中第i行的所有值,过程为;

步骤(1.4.2.2.2.1)遍历Mashup集合M,并初始化值j为1用于记录Mashup的编号,计算S2中S2i,j的值,过程为;

其中,S2i,j表示邻接矩阵S2中第i行第j列的值;

步骤(1.4.2.2.2.1.1)查询矩阵R,确认Mashup i与Mashup j携带的相同标签数量是否大于1,是则将S2i,j置1,否则置0,进行步骤(1.4.2.2.2.1.2);

步骤(1.4.2.2.2.1.2)取j=j+1,进行步骤(1.4.2.2.2.1.3);

步骤(1.4.2.2.2.1.3)判断j是否小于或等于N,是则返回步骤(1.4.2.2.2.1.1),否则退出循环;

步骤(1.4.2.2.2.2)取i=i+1,进行步骤(1.4.2.2.2.3);

步骤(1.4.2.2.2.3)判断i是否小于或等于N,是则返回步骤(1.4.2.2.2.1),否则退出循环。

5.如权利要求1或2所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述(2.1)中,卷积权重矩阵,其中,表示实数集,表示矩阵C中第行,第列的值,表示由实数组成且大小为的矩阵,表示元素和集合之间的属于关系;过程为:步骤(2.1.1)为了避免随机游走收敛于仅由每个节点的度决定的平稳分布,参考部分吸收随机游走,设随机过程的跃迁概率矩阵为;

其中,部分吸收随机游走是一种二阶马尔科夫链,在每个状态下有一定的概率留在当前状态或者跃迁到下一个状态,由跃迁概率决定,从而捕获拓扑的全局语义结构,游走一旦停留在某一状态就会永远保持在该状态,也就是被吸收在当前状态;

其中,,其中,表示顶点的度,度表示图中与顶点连接的边的数量,Si,j表示邻接矩阵S中第i行第j列的值,,为一个所有值都大于0的正则化矩阵,其中,表示括号中的元素组成对角矩阵,的计算公式为,其中表示单位矩阵,表示权重系数,通过调整调节节点间的吸收概率;

步骤(2.1.2)将参数矩阵与P相结合,得到超图上的卷积权重计算公式;

其中,Q是有偏的随机游走中用于调整跃迁概率的参数矩阵,有偏的随机游走结合广度优先和深度优先的采样策略来调整跃迁概率,矩阵中第行第列的元素的计算公式为;

其中,表示节点,间的最短距离,和为调整游走策略的参数,同质性表示同属于一个集群的两个节点更加相似,结构等价性表示相同结构角色的两个节点更加相似。

6.如权利要求1或2所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述步骤三的过程如下:步骤(3.1)将卷积权重矩阵与传统的超图卷积网络相结合,基于LightGCN,抛弃特征变换和激活函数,对卷积操作进行简化,将卷积操作定义为;其中,LightGCN是一种基于图神经网络的推荐算法,和表示单次卷积的输入与输出,表示邻接矩阵,表示矩阵D求逆;

步骤(3.2)带入卷积权重矩阵,执行超图卷积操作;

其中,单层卷积公式为,具有层卷积的超图卷积网络的卷积公式为;

其中,表示由超图顶点的嵌入矩阵组成的输入矩阵,由于采用了多通道超图卷积网络,所以公式中的替换为超图G1、G2、G3和G4的卷积权重矩阵C1、C2、C3和C4,求得输出结果、、、;其中,s表示嵌入长度;

步骤(3.3)对每一次卷积的输出求平均得到每个通道的最终输出;

其中,的计算公式为;

步骤(3.4)将每个通道的输出聚合到一起,获得Mashup的嵌入表达。

7.如权利要求1或2所述的基于多通道超图卷积网络的Web API推荐方法,其特征在于,所述步骤五的过程如下:步骤(5.1)对Mashup的嵌入表达与API的嵌入表达进行匹配度评分,得到前个匹配的API;其中,Mashup 与API 间的匹配度评分通过计算和之间内积得到;

步骤(5.2)计算模型的损失,并调整模型的参数;其中,使用BPR损失来表示推荐模型的损失,正样本表示当前Mashup实际调用的API样本,负样本表示当前Mashup实际并未调用的API样本,损失函数的计算公式为;

其中,表示Mashup 与API 间匹配度评分, 表示Mashup 与API间匹配度评分, 表示对数函数,表示一个可学习的权重矩阵,表示模型参数。