[发明专利]一种基于知识图谱的Web API推荐方法及系统

权利要求书

1.一种基于知识图谱的Web API推荐方法，其特征在于，包括以下步骤：

获取Mashup和Web API数据，构建Mashup和Web API的知识图谱；其中所述知识图谱包括：功能属性实体和非功能属性实体；

基于所述知识图谱的嵌入学习技术，得到所述功能属性实体的相似匹配度；

基于Mashup的监控数据，得到所述非功能属性实体的影响度；

将所述相似匹配度和所述影响度进行融合，基于融合结果以实现Web API的推荐；

非功能属性包括：Web API平均服务响应时间st、Web API平均故障率fr、Web API的平均可信度tr、Web API的平均流行度pr、Web API的社区支持能力sp；

Web API平均服务响应时间为：

st＝(resposeReceivedTime -requestBeginTime)/MAX    公式(1)

其中，requestBeginTime表示请求的开始时间点，responseReceivedTime表示响应结果的返回时间点，MAX是一个常量，用于归一化，保证时间差值的范围在[0,1]之间；

Web API平均故障率的计算方法为：

fr＝NumberFailure/TotalResponse   公式(2)

其中，NumberFailure0表示Web API在历史运行过程中所发生的故障次数，而且TotalResponse0表示一共对此API调用的次数；

Web API的平均可信度：

tr＝successNumberResponse/totalNumberResponse    公式(3)

其中，successNumberResponse表示此Web API所有请求的成功执行次数，totalNumberResponse表示此Web API请求的总次数；

Web API的平均流行度的计算方法为：

pr ＝ callNumber/MaxCallNumber 公式(4)

其中，callNumber表示此Web API被所有Mashup调用过的次数，MaxCallNumber表示单个Web API被调用过最多的次数；

Web API的社区支持能力的计算方法为：

其中，是sigmoid函数，用于将取值限制在[0,1]之间；developerNum表示此WebAPI在社区的开发者数量，articleNum表示此WebAPI在社区的文档数量；

加权综合后的非功能属性计算得分函数sumNonFunction：

sumNonFunction＝λ₁·st+λ₂·fr+λ₃·tr+λ₄·pr+λ₅·sp公式(6)

其中λ₁、λ₂、λ₃、λ₄、λ₅∈[0,1]是常数，且λ₁+λ₂+λ₃+λ₄+λ₅＝1，用于调节不同非功能属性的权重；

Mashup和Web API的嵌入向量embedding的计算过程：

首先基于所构建的知识图谱生成每个实体的embedding向量；mp_i表示知识图谱中的一个Mashup实体节点，ap_j表示知识图谱中的一个Web API服务实体；m_i表示实体mp_i的嵌入向量，B_j表示实体mp_i关联的任意一个邻居节点，B＝{B₁,B₂,…,B_n}表示mp_i的邻居节点的集合，B_j∈B是B中任意一个元素，m_Bj表示B_j对应的嵌入向量；则给出m_i的聚合计算方法如下：

其中w₁、w₂是常量，取值w₁＝w₂＝0.5，用于控制m_i自身的embedding嵌入向量和mp_i所关联的邻居节点中的功能性属性节点的embedding嵌入向量的聚合传播过程中的比重；B表示mp_i实体节点邻居中对应的功能属性集合，B_j∈B表示对应的功能属性实体；

对于每个实体ap_j，计算出其对应的嵌入向量：

其中，m_apj表示实体ap_j的嵌入向量；w₁、w₂是常量，取值w₁＝w₂＝0.5；B表示ap_j实体节点邻居中对应的功能属性集合，B_j∈B表示对应的功能属性实体；

计算Mashup选择Web API的概率值，即计算实体节点mp_i和实体节点ap_j的相似匹配关系：

sim(mp_i,ap_j)＝m_i^T·m_apj 公式(9)

在进行Web API推荐时，会综合考虑功能性因素和非功能性因素，如公式(10)所示：

predict(mp_i,ap_j)＝φ₁sim(mp_i,ap_j)+φ₂sumNonFunction 公式(10)

其中，φ₁、φ₂∈[0,1]是调节因子，且φ₁+φ₂＝1,用于控制功能性因素和非功能性因素的影响权重。