1.一种融合双尺度对比学习和多目标优化的数据服务推荐方法,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;
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、根据通道误差注意力机制,结合每个通道的输出结果,过程如下:步骤(4.1)采用通道误差注意力机制来计算每个通道的权重;
步骤(4.2)根据权重将每个通道的输出聚合到一起,获得对超图顶点的完整表示;
第五步、对Mashup-API调用关系图进行卷积得到API的嵌入表达;
第六步、提出双尺度对比学习方法,最大化两种不同途径得到同一节点之间的一致性和不同节点之间的差异性,促使推荐模型得到更多的信息;
第七步、根据模型推荐结果,对模型进行优化。
2.如权利要求1所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,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,表示实数集,表示由实数组成且大小为的矩阵,表示集合中的元素数量,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或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述步骤(1.3)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;
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,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。
4.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述步骤(1.4)的过程为:步骤(1.4.1)依据“共关联模体”,构建超图G1,如下: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,如下: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,如下: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S3=T*T*";
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S4=(T*T*")⊙R*,表示过滤掉不携带相同标签的Mashup对;
所述步骤(1.4.2.2)的处理过程为:
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;
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,进行步骤(1.4.2.2.2.1.1-1.4.2.2.2.1.3)计算S2中S2i,j的值;
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所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述步骤(2.1)中,卷积权重矩阵,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;过程如下:步骤(2.1.1)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;
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,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。
6.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述第三步的过程如下: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,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,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。
7.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述步骤(4.1)的过程为:步骤(4.1.1) 直接将不同通道的输出结果直接用于损失计算,得到通道的估计值与真实值之间的误差;
其中,误差计算的公式为;
其中,误差值越小,通道提取到的鉴别特征越强,则权重应该越大,表示模型参数,表示Mashup 与API 的评分函数,表示Mashup 与API 的评分函数;;
步骤(4.1.2)将步骤(4.1.1)的误差引入到通道注意力机制中,得到一个全新的通道误差注意力公式,公式为其中, 和都是可学习的权重矩阵,表示以自然数e为底的指数函数;
所述步骤(4.2)中,超图顶点表示的计算公式为:。
8.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述第五步的过程如下:步骤(5.1)将与Mashup相连的API的信息聚合到Mashup,进行步骤(5.2);
其中,聚合公式为,其中,表示API在Mashup-API调用关系图上第l层卷积的嵌入,表示Mashup在Mashup-API调用关系图上第l层卷积的嵌入;
步骤(5.2)将与API相连的Mashup的信息聚合到API,若l=L1则执行步骤(5.3),否则令l自增1并返回步骤(5.1);
其中,表示卷积总层数,聚合公式为ya(l+1)=Dii-1T"ym(l),其中,为多通道超图卷积网络和图卷积结果的组合输出,为由Mashup的嵌入矩阵组成的输入矩阵,和分别表示和T"的度矩阵;
步骤(5.3)结合Mashup间的交互信息和Mashup-API间的交互信息,得到Mashup和API的嵌入表达,其中,嵌入计算公式为,。
9.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述第六步的过程如下:步骤(6.1)通过内积计算Mashup 分别根据Mashup间的交互信息和Mashup-API间的交互信息得到的嵌入表示之间的相似度;
其中,表示Mashup 根据Mashup间的交互信息得到的嵌入表示,表示Mashup 根据Mashup-API间的交互信息得到的嵌入表示,表示两个向量之间的相似度评分函数,所述评分函数定义为两个向量的内积;
步骤(6.2)遵循SimCLR的形式,采用InfoNCE作为对比学习的目标,定义对比学习损失计算公式为;
其中,是可调节的温度参数。
10.如权利要求1或2所述的融合双尺度对比学习和多目标优化的数据服务推荐方法,其特征在于,所述第七步的过程如下:步骤(7.1)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Yg和之间内积得到;
步骤(7.2)计算模型的损失,并调整模型的参数;
其中,推荐模型的损失使用BPR损失来表示,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,表示元素和集合之间的不属于关系;
步骤(7.3)结合双尺度对比学习,将推荐任务拓展为一个多目标优化的推荐任务,将贝叶斯个性化排序损失作为主目标,对比学习的损失作为副目标,得到最终的目标为;其中是人为设置的超参数,即副目标权重。