[发明专利]基于域交互的自注意力因子分解机的Web服务推荐方法

说明书

本发明公开了一种基于域交互的自注意力因子分解机的Web服务推荐方法，包括：获取文档的初始特征向量；基于初始向量，计算得到线性回归部分预测分数和特征嵌入向量，还用于构建域隐藏向量；获取域中每个特征的隐藏向量，并将隐藏向量替换成域隐藏向量，计算得到域中所有向量的公共特征；基于自注意力机制和公共特征，计算得到成对交互向量；对成对交互向量进行低阶和高阶特征的挖掘，计算得到特征交互部分分数；基于特征交互部分分数和线性回归部分分数，计算得到Mashup调用WebAPI的概率预测结果。本发明降低了模型的计算复杂度和过拟合的风险，并捕获同一个域中所有元素的共同特征，提高了模型的鲁棒性。

技术领域

本发明属于Web API推荐技术领域，尤其涉及一种基于域交互的自注意力因子分解机的Web服务推荐方法。

背景技术

Mashup是利用来自多个数据源的内容或服务并建立全新增值服务的新形式的Web应用程序。由于Mashup技术的整合优势及其经济效益，近年来，大量的Web API和Mashup被创立并可以在线调用。以著名的ProgrammableWeb平台为例，截至2021年，已有超过30000个Web API可供调用，并且数量还在不断增加。面对如此庞大的Web API数量，用户很难找到创建Mashup所需的Web服务。

目前，许多工作都集中在解决Mashup开发中的Web API推荐问题上，常用的方法有三类，即基于内容的方法、基于矩阵分解(MF)的方法和基于因子分解机(FM)的方法。其中，基于内容的方法计算Mashup需求和WebAPI描述文档之间的文本描述语义相似度，并将具有最高相似度的前k个Web API作为推荐结果提供给用户。通常使用HDP(分层狄利克雷过程)、TF-IDF(术语频率逆文档频率)或LDA(潜在狄利克雷分配)模型进行主题建模获得文本表示。基于内容的方法只关注创建的Mashup和服务存储库中的Web API之间的一对一关系，而没有考虑多对多的关系。基于MF的方法对Mashup-API调用矩阵进行矩阵分解，通过分解得到的隐向量矩阵可以捕获显式特征无法捕获的潜在特征。基于MF的方法的性能依赖于历史Mashup-API调用矩阵的交互密度，然而，大多数Web API都没有被调用或很少被调用，历史Mashup-API调用矩阵的交互密度很低，这限制了基于MF的方法的性能。

相比之下，因子分解机可以在极端稀疏度下估计可靠值，因此基于FM的方法可以有效缓解数据稀疏性问题，具有较高的性能。然而，FM方法中的特征必须进行手动预处理，同时该方法无法对特征之间的高阶关系进行建模。

将深度学习技术与FM相结合，以自动解决特征工程问题，同时学习特征与目标之间潜在的复杂交互，可以有效提升模型性能，由此提出了更复杂的FM模型，如DeepFM、AFM、NAFM等。在基于FM的Web API推荐方法中，NAFM在建模复杂关系方面具有强大的能力，有着最优的推荐性能，但是仍然存在以下不足：(1)显式注意力机制带来了许多额外的模型参数，增加了模型的复杂性。此外，复杂的模型可能导致过拟合，从而降低预测效率；(2)对特征交互的重要性的研究只考虑了二阶关系，没有考虑高阶关系；(3)在交互特征计算部分没有考虑域交互作用的概念。

发明内容

本发明提出了一种基于域交互的自注意力因子分解机的Web服务推荐方法，以解决上述现有技术中存在的技术问题。

为实现上述目的，本发明提供了一种基于域交互的自注意力因子分解机的Web服务推荐方法，包括：

获取文档的初始特征向量；基于所述初始向量，通过线性回归，计算得到线性回归部分预测分数；

基于所述初始特征向量，计算得到特征嵌入向量，还用于构建域隐藏向量；

获取域中每个特征的隐藏向量，并将所述隐藏向量替换成域隐藏向量，计算得到域中所有向量的公共特征；

基于自注意力机制和所述公共特征，计算得到成对交互向量；