植入引导式层次聚类Mashup服务推荐算法*

针对传统Mashup服务推荐算法在关键字聚合搜索和网络构建等方式中计算复杂度过高的问题,提出一种基于语义标签的植入引导式层次聚类Mashup服务推荐算法。首先,为提高聚类算法的收敛精度,提高算法运行效率来满足大型数据搜索对算法简化的需求,采用数据预处理和植入易于获取具有代表性的样本数据对聚类进行引导,防止层次聚类算法顶层集分类失败导致的算法聚类失败。其次,利用改进的聚类算法结合实际的Mashup服务数据库,设计了植入引导式层次聚类Mashup服务推荐算法。最后,通过通过仿真对比表明,基于语义的植入式半监督层次聚类Mashup服务推荐算法的精度要好于对比算法,验证所提算法的有效性。     

融合功能语义关联计算与密度峰值检测的Mashup服务聚类方法

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、精准地发现满足用户需求的Mashup服务,成为一个具有挑战性的问题.针对这一问题,本文提出一种融合功能语义关联计算与密度峰值检测的Mashup服务聚类方法,用于缩小服务的搜索空间,提升服务发现的精度与效率.首先,该方法对Mashup服务进行元信息提取和描述文本内容整理,并根据Web API组合的标签对相应Mashup服务标签进行扩充.然后,基于功能语义关联计算方法(Functional Semantic Association Calculation Method,FSAC)提取出各服务描述的功能名词集合,并通过功能名词的语义权重来构造Mashup语义特征向量.最后,通过基于密度信息的聚类中心检测方法(Clustering Center Detection Method based on Density Information,CCD DI)检测出最为合适的K个Mashup语义特征向量作为K means算法的初始中心,进行聚类划分.基于ProgrammableWeb的真实数据实验表明,本文所提聚类方法在纯度、精准率、召回率、熵等指标上均有良好表现.     

一种基于主题相似性的Mashup服务聚类方法研究

随着Web服务技术的快速发展,Mashup的数量和多样性呈快速增长趋势.有效地管理Mashup服务资源和选取合适的Mashup,成为当今面临的一个重要挑战.鉴于此,提出了一种融合文档和标签的多层网络主题模型Mashup服务聚类方法.该模型对描述文本和标签进行融合,挖掘融合后信息的隐含主题,根据Mashup相似性构建相似...     

基于TWE-NMF主题模型的Mashup服务聚类方法

随着互联网和面向服务技术的发展,一种新型的Web应用——Mashup服务,开始在互联网上流行并快速增长.如何在众多Mashup服务中找到高质量的服务,已经成为一个大家关注的热点问题.寻找功能相似的服务并进行聚类,能有效提升服务发现的精度与效率.目前国内外主流方法为挖掘Mashup服务中隐含的功能信息,进一步采用特定聚类算法如K-means等进行聚类.然而Mashup服务文档通常为短文本,基于传统的挖掘算法如LDA无法有效处理短文本,导致聚类效果并不理想.针对这一问题,提出一种基于非负矩阵分解的TWE-NMF （non-negative matrix factorization combining tags and word embedding）模型对Mashup服务进行主题建模.所提方法首先对Mashup服务规范化处理,其次采用一种基于改进的Gibbs采样的狄利克雷过程混合模型,自动估算主题的数量,随后将词嵌入和服务标签等信息与非负矩阵分解相结合,求解Mashup服务主题特征,并通过谱聚类算法将服务聚类.最后,对所提方法的性能进行了综合评价,实验结果表明,与现有的服务聚类方法相比,所提方法在准确率、召回率、F-measure、纯度和熵等评价指标方面都有显著提高.     

一种面向Mashup应用的API推荐方法

在动态变化的网络环境下,来自组合服务或Mashup的服务可能不可用或失效.此外,随着越来越多的服务在互联网上,用户很难找到他们想要的服务.服务聚类是辅助服务发现的一种重要方法,但是已有的服务发现方法没有考虑服务本身的规格(Specs)信息.针对上述问题,提出了一种面向Mashup应用的API推荐方法,通过LDA主题聚类...     

基于Web页面链接和标签的聚类方法

针对目前Web聚类效率和准确率不高的问题,提出一种基于Web页面链接结构和标签信息的聚类方法CWPBLT(clustering web pages based on their links and tags),它是通过分析Web页面中的链接结构和重要标签信息来比较页面之间的相似度,从而对Web站点中的Web页面进行聚类,聚类过程同时兼顾了Web页面结构和页面标签提供的内容信息.实验结果表明,该方法有效地提高了聚类的时间效率和准确性,是对以往仅基于页面主题内容或页面结构聚类方法的改进.     

基于信息熵多属性决策的Mashup服务推荐方法

随着Mashup服务的快速发展,如何在海量的服务集合中找到用户感兴趣的、服务质量高的Mashup服务,成为一个难题。针对该问题,提出一种基于信息熵多属性决策的Mashup服务推荐方法。首先建立用户兴趣模型和Mashup服务的质量(Quality of Service,QoS)模型;其次,利用信息熵多属性决策方法,预测用户对候选Mashup服务的综合评分,并将综合评分最高的Top-K Mashup服务推荐给用户;最后,在不同数据集上进行实验比较与分析,结果表明:基于信息熵多属性决策的Mashup服务推荐方法能够有效地为用户推荐其感兴趣的、高质量的Mashup服务。     

基于TF-IDF相似度的标签聚类方法

社会标签系统是Web2.0中提出的新概念,旨在更好地表达用户的兴趣和意愿。标签聚类是社会标签数据挖掘中一个非常重要的研究课题。标签相似度的计算是标签聚类的关键技术。主要工作包括:(1)提出了一种基于TF-IDF的标签相似度计算方法和基于该相似度的聚类算法;(2)分析了影响标签相似度的条件;(3)通过实验表明:与已有方法相比,新方法的准确性更高。     

融合多维信息的主题自适应Web API推荐方法

如何根据用户的自然语言需求描述自动生成或推荐用于解决问题的Web API服务集合,并辅助构建Mashup是业务流程管理者和服务组合者关注的热点之一.如何提高推荐的质量是大家关注的焦点.为此,本文提出一种融合多维信息的主题自适应Web API推荐方法HDP-FM（Hierarchical Dirichlet Processes-FactorizationMachines）为Mashup的创建推荐Web APIs集合.该方法以Web API的描述文档为语料库,利用HDP模型训练每个Web API的主题分布向量.其次,利用已生成的主题模型预测每个Mashup的主题分布向量,用于相似度的计算.最后将Mashup之间的相似度,WebAPI之间的相似度,Web API的流行度和共现性作为因子分解机模型的输入,评分排序获取用于推荐的Web APIs集合.为了验证HDP-FM方法的性能,本文使用从ProgrammableWeb平台上爬取的真实数据进行多组实验,实验结果表明,HDP-FM方法在准确率,召回率,F-measure和NDCG@N等方面具有较好的性能.     

基于用户使用历史与信誉评价的Web API推荐

随着网络上发布的Web API服务越来越多,如何推荐给开发者用户感兴趣、信誉度高的Web API服务,以构建高质量高可信的软件服务系统,成为一个具有挑战性的研究问题。为此,提出一种基于用户使用历史与信誉评价的Web API服务推荐方法。计算用户使用历史记录与Web API之间的相似度,获得Web API的用户兴趣值。综合用户的Web API评分,调用Web API的Mashup服务的评价贡献和Alexa统计的Web API访问流量,获得Web API的信誉评价值。根据Web API的用户兴趣值以及信誉评价值,实现Web API的排名与推荐。实验结果表明,该方法推荐的Web API用户兴趣度DCG值高于SR-Based方法,服务信誉度DCG值高于UI-Based方法。     

基于MapReduce的Web标签SOINN聚类算法

Web标签有助于用户根据自己特定的兴趣完成信息资源的分类、组织和检索。然而,正是由于协同标记系统特有的公开性、自由化的特点,采用其对信息资源进行描述、组织、分类和检索,存在着信息描述不精确、标签组织混乱和标签语意模糊等问题。在此背景下提出了3种基于特征向量表示法(FVR)的Web标签SOINN聚类算法:基于资源的特征向量表示法、基于其他共现标签的特征向量表示法和基于全集共现标签的特征向量表示法。同时应用MapReduce框架将SOINN算法进行并行化。实验表明,当类中心数量超过2000时,3种分布式聚类FVR算法的召回率和准确度优于原始算法,可获得很好的加速比。从而证明此分布式聚类算法具有很好的可扩展性,可以用于更为海量的Web日志聚类分析系统。     

移动终端应用的个性化混搭方法

随着移动互联网的发展,Mashup混搭技术逐渐延伸到移动终端领域。然而目前的移动端Mashup研究主要关注于如何调用后台Web API,却没有将移动端数量庞大的移动应用作为主要的混搭对象进行研究。论文目标是将移动应用、Android框架层API、Web API等各种服务统一视为混搭的基本组件,研究移动端的应用混搭与整合机制,实现APP间的通信,控制APP的执行顺序及相互间的交互与协作,从而满足用户个性化需求。为了消除异构服务间的差异性,提取服务的功能信息构造抽象服务层,封装和屏蔽异构服务调用方式以及输入输出数据类型的差异。定义了描述移动终端应用间混搭的描述型语言,移动终端用户可以DIY式创建满足个性化需求的移动终端Mashup方案。通过一个具体案例展示和验证了方法的有效性。     

云计算环境下基于Mashup的一种电信网络能力服务提供模式

随着高速发展的互联网和移动通信在业务层面的逐渐融合,国内运营商所采用的"封闭花园"模式的业务架构已经面临各种挑战,因此需要更多地考虑如何有效引入互联网业务和服务模式,不断提升用户体验。在电信运营商逐步开放其电信能力API的背景下,基于Mashup的业务构建模式,提出了一种云计算环境下的电信网络能力服务提供模式。该模式将Mashup的理念移植到电信能力上,并将电信能力封装成Web Element的形式呈现给用户,进一步提升了电信网络能力服务的抽象层次。这种电信能力应用模式打破了电信能力拘泥于手持终端的传统形式,提出了一种新的适合于Web2.0环境的电信网络能力服务提供模式。在"OMP(Open Mobile Internet Platform)应用运行和开发引擎算法及功能研发"项目中的试用证明了其可行性。     

A User Requirement Oriented Web Service Discovery Approach Based on Logic and Threshold Petri Net

In recent years, the number of Web services has increased significantly. Web service discovery has drawn much attention with the development of Web service applications and big data analysis. Under this circumstance, traditional Web service discovery strategies cannot adequately meet high user requirements due to the efficiency and precision of service discovery is low. In order to improve the accuracy and efficiency of service discovery, a user requirement oriented Web service discovery approach based on Petri nets is proposed in this study. A data preprocessing strategy of Web service is first designed. Then, a service clustering method is proposed based on Petri nets, which can conduct service cluster head generation, service cluster composition, and service discovery. The proposed method utilizes a superior data preprocessing method. Using simulation experiments, the efficiency and precision of Web service discovery are illustrated. Finally, the application value of the approach on real Web service is discussed.      

Mashup与语义网络结合的研究与应用

探讨分析了当今炙手可热的Mashup的一些缺陷，并于此提出了基于Mashup的语义扩展的模型，有效的解决了Mashup对非结构化数据处理、服务发现、以及服务复合的一些不足之处。     

核K-Means聚类在Folksonomy标签模糊和冗余中的应用

现有的Folksonomy标签推荐系统中,标签模糊会导致系统推荐不准确,并且影响用户建模的准确性,而标签冗余妨碍了对系统的评估。利用K-Means聚类结果抽取模糊和冗余标签时,聚类效果较差导致抽取不准确。提出使用核K-Means聚类处理标签模糊和冗余,通过非线性映射能够较好地分辨、提取并放大样本中有用的特征,提高抽取模糊标签和冗余标签的准确度。实验结果表明：核K-Means聚类对标签和资源的聚类效果更好,抽取的模糊标签和冗余标签也更准确。