[发明专利]一种基于知识图谱表示学习的服务聚类方法

权利要求书

1.一种基于知识图谱表示学习的服务聚类方法，其特征在于，包括以下步骤：

(1)获取服务属性，包括服务的category、tag、description；

(2)对服务的description进行自然语言处理，使用Stanford Parser工具进行语法解析获得SD集合；

(3)基于步骤(2)获得的SD集合进行分析并提取出表示服务功能的信息集；

(4)构建服务知识图谱，服务知识图谱中有四种类型的实体结点：api、category、tag、function，其中实体function是步骤(3)提取到的服务功能信息集；

(5)利用知识表示学习的TransH算法将步骤(4)构建的服务知识图谱的实体嵌入到一个低维空间中，通过训练得到低维向量，计算出服务之间的相似值；具体如下：

对服务知识图谱的实体与关系通过Embedding矩阵进行初始化；进行头尾实体映射到超平面w_r的向量转化：

‖w_r‖₂＝1

评分函数公式如下：

其中h代表头实体，t代表尾实体，r是实体之间存在的关系；TransH对于每一个关系r，都有一个超平面w_r和一个关系向量d_r表示；在每一个三元组中，将头实体h和尾实体t都映射到这个超平面上得到向量h⊥和t⊥，训练使h⊥+d_r≈t⊥；

对空间中的三元组的实体与关系进行降维，得到实体的低维向量；

实体A,B的相似度计算公式如下：

(6)基于步骤(5)得到的服务实体两两相似度，使用Louvain算法对服务进行聚类，得到聚类结果；具体如下：

将每一个服务实体作为一个节点，两个服务实体之间的相似值作为连边的权重；Louvain算法的模块度Q计算公式如下：

其中m为服务两两相似度的总条数；A_i,j表示服务实体i，j之间的连边权重；k_i表示所有指向服务实体i的连边权重之和；C_i是服务实体i的集群号，δ(C_i,C_j)函数表示若服务实体i与j同在一个集群内，则返回值为1，否则返回0；

在利用Louvain算法进行聚类划分过程中，对于每个服务实体i，依次尝试把实体i分配到其每个邻居实体所在的集群C并计算分配前后的模块度增量ΔQ，计算公式为：

其中k_i，in表示集群C内实体与服务实体i权重之和；∑tot表示集群C的服务实体相连的边的权重之和；k_i代表服务实体i的连边权重之和；

对于任一服务实体i，计算将其并入相邻集群后模块度值的变化ΔQ，将其并入ΔQ值最大的集群，若计算结果为负，则不改变i的归属集群；当所有实体都无法被移动时，说明类别划分在当前已经达到最优状态，算法结束，输出服务聚类结果，具有相似功能语义的服务被聚类到同个类别中。

2.根据权利要求1所述的一种基于知识图谱表示学习的服务聚类方法，其特征在于，知识表示的transH模型通过引入投射到特定关系超平面上的机制，使实体在不同的关系/三元组中扮演不同的角色。