Page 67 - 《软件学报》2025年第5期

胡强 等: 融合潜在联合词与异质关联兼容的 Web API 推荐 1967

(1) R-NGCF [37] : 建立 Mashup 服务与 Web API 之间的调用图谱, 提出了一种基于神经图协同过滤的 Web API
推荐方法. 该方法关注节点关系的嵌入传播, 通过挖掘 Mashup 服务和 Web API 之间的高阶交互信息, 为 Mashup
服务推荐组件 Web API.
[38]
(2) SRMG : 利用 BERT 为新需求与历史 Mashup 服务生成描述向量, 通过相似度计算获得需求的邻居
Mashup 服务. 建立 Mashup 服务与 Web API 的历史调用图, 使用 GraphGAN 生成 Mashup 服务与 Web API 的嵌入
表示, 并获取 Mashup 服务的偏好. 新需求通过相似邻居的调用偏好进行组件 Web API 推荐.
(3) MISR [21] : 构建了一个合并 Web API 和 Mashup 服务之间 3 种类型的交互信息的深度神经网络. 通过学习
提取需求与邻居 Mashup 服务、需求与候选 Web API、候选 Web API 中隐藏的结构和特征, 每个候选 Web API
对于 Mashup 服务需求的评分, 实现 Web API 的推荐.
(4) DySR [39] : 将 Mashup 创建问题建模为一个 Web API 集合推荐任务, 以保证候选 Web API 之间的多样性. 提
出了一个基于动态图神经网络的模型, 构建语义差异度量方法, 以合理计算需求与候选 Web API 的功能匹配度.
(5) LightGCL [40] : 根据 Mashup 服务和组件 Web API 之间的调用关系构建异质图, 通过近似奇异值分解获取增
强图, 分别使用 GCN 学习服务节点的特征表示, 使用对比损失函数进行节点特征优化, 根据标注数据和成对损失
函数进行推荐对象的优化.
(6) DLOAR [41] : 将已有 Mashup 服务聚类, 计算 Mashup 服务需求关键词与聚类主题词的相似度, 获取最相似
的服务聚类集合. 根据服务描述进行相似度计算, 从聚类中获取最相似 Mashup 服务, 进而获取它们所调用组件服
务中最相似的 Web API 完成推荐.

表 4 R-CWSE 推荐方法横向评估

Top-K 指标 LightGCL R-NGCF DySR MISR SRMG DLOAR R-CWSE
Recall 0.411 0.421 0.453 0.440 0.431 0.436 0.478
Precision 0.361 0.372 0.405 0.391 0.384 0.386 0.428
K=3
NDCG 0.415 0.428 0.465 0.459 0.441 0.446 0.470
ILS 0.574 0.571 0.523 0.547 0.568 0.541 0.462
Recall 0.512 0.538 0.579 0.558 0.547 0.552 0.598
Precision 0.295 0.301 0.329 0.319 0.307 0.313 0.338
K=5
NDCG 0.443 0.452 0.496 0.484 0.472 0.483 0.529
ILS 0.478 0.469 0.448 0.460 0.462 0.456 0.422
Recall 0.594 0.603 0.659 0.634 0.618 0.625 0.685
Precision 0.251 0.253 0.278 0.267 0.260 0.261 0.292
K=7
NDCG 0.486 0.488 0.532 0.508 0.490 0.499 0.577
ILS 0.460 0.456 0.426 0.442 0.452 0.437 0.398

相比 LightGCL、R-NGCF、DySR、MISR、SRMC 和 DLOAR, R-CWSE 的 Recall 指标分别提升 16.05%、
12.76%、4.17%、7.95%、10.29% 与 9.24%, 说明本文方法推荐的组件 Web API 中能够涵盖更多的 Mashup 服务
构建所需的真实 Web API. 相比其他 4 种方法, 在 Precision 指标上, R-CWSE 分别平均提升 16.62%、14.17%、
4.46%、8.26%、11.31% 与 10.09%, 因此在本文方法推荐的组件 Web API 中, Mashup 服务构建所需的真实 Web
API 比例高于其他方法. 在 NDCG 分别平均提升约 17.26%、15.2%、5.57%、8.61%、12.33% 和 10.36%, 说明本
文所推荐的正确 Web API 在推荐列表中位置更靠前. 此外, 在多样性方面, R-CWSE 的 ILS 指标分别平均降低
15.23%、14.28%、8.22%、11.55%、13.47% 和 10.6%, 验证了本文方法推荐的组件 Web API 的多样性更高.
特别是在 Top-3 的推荐中, 相对其他方法在 Recall 指标提升 16.29%、13.6%、5.48%、8.65%、10.78% 和
9.71%, Precision 指标提升 18.43%、15.03%、5.63%、9.38%、11.59% 与 10.75%, 高于不同 K 值下对应指标的平
均提升比例, 这说明本文方法在 Top-3 推荐中性能更佳, 即在推荐 3 个组件 Web API 的情况下, 其能推荐出的正
确 Web API 的数量要远高于其他方法. 根据数据集的统计数据可知, Mashup 服务的平均组件 Web API 个数为
2.8, 因此, 本文方法在 Top-3 推荐中的优异性能使其具有较高的实际应用价值.