[发明专利]一种基于密度峰值检测的Mashup服务聚类方法

说明书

一种基于密度峰值检测的Mahsup服务聚类方法，所述方法包括以下步骤：第一步、对于所有参与聚类的Mashup服务的特征向量，进行局部密度、向量间距离和较高密度最近距离计算；第二步、基于第一步计算的密度信息，从所有Mashup服务特征向量中，筛选出聚类中心的候选点；第三步、对第二步所得的聚类中心候选点，进一步筛选出最为合适的K个初始聚类中心，进行K‑means聚类。本发明能够有效提升Mashup服务聚类精度，缩小服务搜索空间。

技术领域

本发明涉及Mashup服务聚类领域，具体涉及一种基于密度峰值检测的 Mahsup服务聚类方法。

背景技术

Mashup技术是一种便捷高效的Web应用开发技术，它可以通过混搭多种不同功能的Web API，从而快速的构建出满足用户需求的Mashup服务。在Mashup 技术的支持下，软件开发人员通常可以参考功能相近的Mashup服务，进而完成Mashup服务的构建工作。然而，随着互联网上Mashup服务数量及种类的急剧增长，如何从这些海量的服务集合中快速、精准的发现满足最具参考价值的 Mashup服务，成为一个具有挑战性的问题。

大量研究工作表明，如果预先将Mashup服务进行精准聚类可以有效缩小服务的搜索空间，提升服务定位精度。例如，Chen等人就利用Web服务描述语言 (WSDL)文档，来提取服务功能特征，并结合服务标签进行聚类。可是由于目前大多数的Mashup服务仅采用自然语言的方式对服务进行描述，缺乏规范性的 WSDL文档，这极大的增加了提取服务功能特征的难度。所以现有的许多研究开始基于LDA模型对Mashup服务进行面向功能主题的聚类，或者利用TF-IDF、 Word2Vec等模型对服务描述文本构造特征向量完成聚类。例如，Shi等人通过结合Word2Vec和LDA,设计出一种增强LDA模型，用于生成高质量的词向量模型, 从而改进Mashup服务聚类性能。Gao等人将每个Mashup服务描述文本转化为 TF-IDF向量进行表示，再通过K-means算法对这些TF-IDF向量进行聚类。然而，对于现有的研究工作，多数聚类方案都是将K-means算法或其改进算法作为 Mashup服务聚类的实现，但是并未对K-means初始中心选择问题提出一种成熟有效的解决方法，而初始中心选择的好坏与否又将直接影响最终的K-means聚类效果。因此，解决这一问题也可以作为提升Mashup服务聚类精度的重要方向。

为此，Rodriguez等人于2014年提出了一种密度峰值聚类(DPC)算法，用于解决聚类中心的选择问题，其核心思想在于通过统计每个数据点在截断距离 d_c范围内的数据点个数来求得局部密度ρ，进而结合数据点与较高密度点的最近距离δ这个属性来绘制出决策图，最后使用决策图快速的确定聚类中心。DPC 算法的思想虽然简明高效，但是在实际应用中还是存在一些问题：(1)聚类效果十分依赖于截断距离的选取；(2)数据量大时，可能无法轻易的从决策图中挑出合适的聚类中心点。因此，若能对此类问题进行改进，并应用于Mashup服务聚类场景中，也将有助于提升聚类的整体性能。

发明内容

为了能够有效提升Mashup服务聚类精度，缩小服务搜索空间。本发明提出了一种基于密度峰值检测的Mahsup服务聚类方法。该方法首先将Mashup服务的特征向量作为聚类的基本单元。在此基础上，引入DPC算法，并对传统DPC 中密度的计算方式进行了重新定义，使得密度分布更加合理，进一步，方法对每个聚类单元的密度信息进行了综合评估计算，选出最为合适的K个初始聚类中心，作为K-means算法输入，进而完成聚类。

为了解决上述技术问题本发明所采用的技术方案是：

一种基于密度峰值检测的Mahsup服务聚类方法，包括以下步骤：

第一步、对于所有参与聚类的Mashup服务的特征向量，进行局部密度、向量间距离和较高密度最近距离计算，过程如下：

步骤(1.1)遍历每个Mashup服务特征向量，计算当前向量的局部密度ρ_y，计算公式如下所示：