[发明专利]一种基于本体的Web服务功能相似性度量方法

权利要求书

1.一种基于本体的Web服务功能相似性度量方法，其特征在于，所述服务功能相似性度量方法包括以下步骤：

第一步、计算领域本体中两个概念A和B之间的语义相似度，过程如下：

步骤(1.1)若概念A和B是相同的或者它们被声明为equivalent classes，则概念A，B的相似度Sim_concept为1，否则进行步骤(1.2)；

步骤(1.2)若概念A直接或间接为概念B的一个子类，则概念A，B的相似度Sim_concept计算公式如下：

其中prop(A)与prop(B)分别表示概念A与概念B的属性集合，Size(prop(B))与Size(prop(A))分别表示概念B和概念A的属性个数，否则进行步骤(1.3)

步骤(1.3)若概念B直接或间接为概念A的一个子类，则概念A，B的相似度Sim_concept计算公式如下：

否则进行步骤(1.4)；

步骤(1.4)若概念A与概念B没有父子关系，但两个概念直接或间接有一个共同的父类概念C，则采用基于朴素贝叶斯模型的单词语义相似度度量方法，首先分别遍历概念A与概念B的各个属性，通过ComputeFeature函数对概念A与概念B的属性名称进行特征提取，然后采用样本训练后的条件概率分布列和调整因子，计算概念属性之间的相似度Sim_word，根据概念属性之间的相似度Sim_word与相似判定因子η的比较，判断两个属性是否为同一属性并进行统计，最后计算出概念A，B的相似度Sim_concept；

步骤(1.5)若概念A和概念B的关系在上述情况中均不符合，则概念A，B的相似度Sim_concept设为0；

第二步、结合第一步的概念相似度计算方法，给出服务S₁与服务S₂输入相似度Sim_input的计算方法，过程如下：

步骤(2.1)创建服务输入参数相似度最大匹配数组InSim并初始化，进行步骤(2.2)；

步骤(2.2)将服务S₁的输入参数数量减去服务S₂的输入参数数量得到参数数量差值d，进行步骤(2.3)；

步骤(2.3)若d小于或等于0，则将服务S₁设为S_short，服务S₂设为S_long，否则将服务S₂设为S_short，服务S₁设为S_long，进行步骤(2.4)；

步骤(2.4)遍历S_long中的输入参数，若遍历完成，则进行步骤(2.8)，否则从S_long中取出下一个输入参数long_i，进行步骤(2.5)；

步骤(2.5)遍历S_short中的输入参数，若遍历完成，则返回步骤(2.4)，否则从S_short中取出下一个输入参数short_j，进行步骤(2.6)；

步骤(2.6)根据第一步的概念相似度计算方法计算参数long_i与参数short_j的相似度Sim_ij，进行步骤(2.7)；

步骤(2.7)将Sim_ij与InSim[i]进行比较，若Sim_ij大于InSim[i]，则将InSim[i]的值设为Sim_ij的值，否则InSim[i]值为原值，返回步骤(2.5)；

步骤(2.8)计算服务S₁与服务S₂输入相似度Sim_input，计算公式如下：

其中Size(S_long.Input)与Size(S_short.Input)分别表示服务S_long的输入参数个数与服务S_short的输入参数个数，|d|表示两个服务的输入参数数量差值，InSim为输入参数的相似度最大匹配数组；

第三步、结合第一步的概念相似度计算方法，给出服务S₁与服务S₂输出相似度Sim_output的计算方法，过程如下：

步骤(3.1)创建服务输出参数相似度最大匹配数组OutSim并初始化，进行步骤(3.2)；

步骤(3.2)将服务S₁的输出参数数量减去服务S₂的输出参数数量得到参数数量差值d，进行步骤(3.3)；

步骤(3.3)若d小于或等于0，则将服务S₁设为S_short，服务S₂设为S_long，否则将服务S₂设为S_short，服务S₁设为S_long，进行步骤(3.4)；

步骤(3.4)遍历S_long中的输出参数，若遍历完成，则进行步骤(3.8)，否则从S_long中取出下一个输出参数long_i，进行步骤(3.5)；

步骤(3.5)遍历S_short中的输出参数，若遍历完成，则返回步骤(3.4)，否则从S_short中取出下一个输出参数short_j，进行步骤(3.6)；

步骤(3.6)根据第一步的概念相似度计算方法计算参数long_i与参数short_j的相似度Sim^*_ij，进行步骤(3.7)；

步骤(3.7)将Sim^*_ij与OutSim[i]进行比较，若Sim^*_ij大于OutSim[i]，则将OutSim[i]的值设为Sim^*_ij的值，否则OutSim[i]值为原值，返回步骤(3.5)；

步骤(3.8)计算服务S₁与服务S₂输出相似度Sim_Output，计算公式如下：

其中Size(S_long.Output)与Size(S_short.Output)分别表示服务S_long的输出参数个数与服务S_short的输出参数个数，|d|表示两个服务的输出参数数量差值，OutSim为输出参数的相似度最大匹配数组；

第四步、结合第二步与第三步求得的服务输入相似度Sim_input与服务输出相似度Sim_Output计算服务S₁与服务S₂的功能相似性FunctionalSim(S₁,S₂)，计算公式如下：

FunctionalSim(S₁,S₂)＝w₁×Sim_input+w₂×Sim_Output，其中权重w₁和w₂是0和1之间的实数值并且总和为1，它们表示服务消费者对输入相似性和输出相似性认定的重要性。

2.如权利要求1所述的一种基于本体的Web服务功能相似性度量方法，其特征在于，所述步骤(1.4)的步骤如下：

步骤(1.4.1)设变量i表示概念A与概念B中属性相同的个数并置初始值为0，进行步骤(1.4.2)；

步骤(1.4.2)若概念A的属性集合prop(A)遍历完成，则进行步骤(1.4.7)，否则从prop(A)取出下一个prop(A)_j并将其从prop(A)中移除，进行步骤(1.4.3)；

步骤(1.4.3)若概念B的属性集合prop(B)遍历完成，则返回步骤(1.4.2)，否则从prop(B)取出下一个prop(B)_k并将其从prop(B)中移除，进行步骤(1.4.4)；

步骤(1.4.4)基于朴素贝叶斯模型，结合WordNet英语词典，通过ComputeFeature函数对prop(A)_j与prop(B)_k的属性名称进行特征提取进而得出L(prop(A)_j,prop(B)_k)和D(prop(A)_j,prop(B)_k)，其过程如下：

计算每个属性名称的单词语义，由于每个单词对应一个或多个语义，那么每一单词对也就对应一个或多个语义对，将与单词对相应的所有语义对中距离最短的语义节点距离定义为该单词对距离L(prop(A)_j,prop(B)_k)，并将语义节点距离最短的语义对深度定义为单词对深度D(prop(A)_j,prop(B)_k)，已知属性名称prop(A)_j存在于语义节点v_j1,v_j2,…，v_jn的同义词组中，属性名称prop(B)_k存在于语义节点v_k1,v_k2，…v_km的同义词组中,那么prop(A)_j与prop(B)_k的距离计算公式与深度计算公式如下：

其中L(v_ja,v_kb)表示语义节点v_ja与语义节点v_kb的距离，D(v_ja,v_kb)表示语义对(v_ja,v_kb)的深度；

依据朴素贝叶斯模型的训练集生成均值函数LW(i)和DW(o)，再利用均值函数LW(i)和DW(o)计算条件概率分布列P(L(prop(A)_j,prop(B)_k)|C)和P(D(prop(A)_j,prop(B)_k)|C)，其中C为单词类别分类，其值域为{U,N}，其中U代表“一致”，N代表“不一致”，最后计算调整因子α和β，计算公式如下：

步骤(1.4.5)基于朴素贝叶斯模型，将本体概念属性的特征L(prop(A)_j,prop(B)_k)和D(prop(A)_j,prop(B)_k)注入到步骤(1.4.4)所得的条件概率分布列中，并依次提取条件概率V₁＝P(L(prop(A)_j,prop(B)_k)＝i|C＝U)，V₂＝P(D(prop(A)_j,prop(B)_k)＝o|C＝U),V₃＝P(L(prop(A)_j,prop(B)_k)＝i|C＝N)与V₄＝P(D(prop(A)_j,prop(B)_k)＝o|C＝N)，最后结合步骤(1.4.4)中的调整因子á和来计算prop(A)_j与prop(B)_k之间的相似度Sim_word，计算公式如下：

Sim_word(prop(A)_j,prop(B)_k)＝(αV₁×V₂)/(αV₁×V₂+βV₃×V₄)，进行步骤(1.4.6)；

步骤(1.4.6)若Sim_word大于或等于相似判定因子η，则prop(A)_j与prop(B)_k为同一属性并将变量i加1，返回步骤(1.4.2)，否则返回步骤(1.4.3)；

步骤(1.4.7)计算概念A，B的相似度Sim_concept，计算公式如下：

其中i表示概念A与概念B中属性相同的个数，prop(A)与prop(B)分别表示概念A与概念B的属性集合，Size(prop(B))与Size(prop(A))分别表示概念B和概念A的属性个数，进行步骤(1.5)。