[发明专利]一种结合注意力机制LSTM和神经主题模型的服务发现方法

说明书

本发明公开了一种结合注意力机制LSTM和神经主题模型的服务发现方法，包括以下步骤：1：从Web服务描述语言的标签中提取出自然语言词汇并进行预处理；2：对1中提取出的关键词进行语义增强并经过神经主题模型的处理得到描述的主题信息；3：利用预训练的词向量对1中的关键词汇进行嵌入；4：在步骤2和3的基础上，通过结合注意力机制的双向LSTM进行描述的特征提取；5：在步骤4的基础上，通过对查询请求和服务描述的特征向量计算相似度，从注册服务库中，找到相似度最高的k个服务。本发明的有益效果是：通过处理Web服务的描述中存在的语义信息并使用外部信息对其进行增强，基于用户查询的语义，在大量注册服务中找到满足用户功能需求的服务。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于注意力机制的LSTM和神经主题模型相结合的服务发现方法。

背景技术

面向服务的体系结构促成了软件开发和集成的新范例，其中系统功能封装为松散耦合且可互操作的服务。因此，为了满足现代软件应用程序开发中的高度互操作性和灵活性需求，越来越多的Web服务和云服务被开发出来。Web服务数量的激增给开发人员带来了便利，但同时也给从大规模服务注册中心快速选择出满足用户需要的合适的服务带来了困难。

在现有的服务注册中心中，Web服务大部分被用(WSDL)Web服务描述语言进行描述。从描述中提取出的关键词数量十分有限且语义稀疏，并且这些关键词难以组成合理的自然语句。在大多数服务搜索引擎中采用的关键字匹配方法可能会检索到不相关的服务或丢失相关的服务，针对这些问题有两类改进的方法。第一类方法使用域本体注释服务和查询，并利用本体推理进行服务匹配。但是，构造这样的本体并在语义上注释Web服务是一项耗时且难以实际应用的任务。另一类方法使用机器学习技术进行服务匹配的方法。通过例如LDA模型来获取服务的描述和用户的查询文本的主题分布，以及结合词向量和主题模型来缓解服务描述的语义稀疏问题。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

一些自然语言处理领域的机器学习和深度学习方法在服务聚类和服务推荐等方面取得了一定的进展，但由于复杂的深度学习模型和方法需要大量的包含上下文信息的语句作为训练语料，因此这些方法仍难以被直接应用于服务发现领域。

由此可知，现有技术中的方法存在服务发现效果不佳的技术问题。

发明内容

本发明提出一种基于注意力机制的LSTM和神经主题模型相结合的服务发现方法，用于解决或者至少部分解决现有技术中的方法存在的服务发现效果不佳的技术问题。

为了解决上述技术问题，本发明提供了一种基于注意力机制的LSTM和神经主题模型相结合的服务发现方法，包括：

S1：分别对Web服务描述和查询请求进行关键词抽取，对抽取出的服务描述关键词和查询请求关键词进行预处理；

S2：对预处理后的服务描述关键词进行语义增强并经过神经主题模型的处理得到服务描述的主题信息，对预处理后的查询请求关键词进行语义增强并经过神经主题模型的处理得到查询请求的主题信息；

S3：通过词嵌入技术将预处理后的服务描述关键词和查询请求关键词转化为向量化形式，并得到服务描述的词向量矩阵和查询请求的词向量矩阵；

S4：基于服务描述的主题信息和服务描述的词向量矩阵，通过结合注意力机制的双向LSTM对服务描述进行特征提取，得到服务描述的语义特征向量，基于查询请求的主题信息和查询请求的词向量矩阵，通过结合注意力机制的双向LSTM对查询请求进行特征提取，得到查询请求的语义特征向量；

S5：对查询请求的语义特征向量和服务描述的语义特征向量计算相似度，从注册服务库中找出与查询请求相似度最高的k个服务，其中，k为大于0的正整数。

在一种实施方式中，S1具体包括：