基于词嵌入主题模型的语义稀疏型Web服务发现研究

The surge and semantic sparsity of Web service brings great challenges for effective discovery of Web service. How to discover Web services effectively under the situation that Web services are semantic sparse becomes a question which urgently needs to be solved. To handle this problem, the key issue is enhancing the semantics of Web service to offer highly effective Web service discovery. We plan to conduct the following research: (1)We will generate word embeddings based on feedback recurrent neural network. The recurrent neural network is used to capture the order relationships between features of the Web service description. Then a long short-term memory method to capture the backward relationships between words and a feedback recurrent neural network to capture the forward relationships between words are included into the recurrent neural network. Finally the semantic dependency is captured by the feedback recurrent neural network to enhance the semantics of the Web services. (2) A topic model with word embeddings fused with tag information is designed to build a hierarchical model with the hierarchy “Service-Tag-Topic-Embeddings” for organizing Web services into different clusters. (3) Based on the above service hierarchies and user queries, a probabilistic service discovery approach is proposed to finally support highly efficient Web service discovery. This research is undertaken to facilitate resolution of discovering semantic sparse Web services, and offer highly efficient service discovery.

Web服务规模的剧增和服务描述语义稀疏的现象为有效的Web服务发现带来了极大的挑战。如何在Web服务描述语义稀疏情境下进行有效的服务发现成为一个亟待解决的问题。解决该问题的关键是如何增强服务的语义信息，从而实现高效的服务组织与发现,本项目拟开展如下研究: （1）研究反馈循环神经网络生成词嵌入的模型；使用循环神经网络建立Web服务特征序列模型表达；使用LSTM单元增加记忆信息以增加反向语义依赖；利用神经元之间的反馈链接建立词嵌入特征的前向依赖语义；通过增加特征之间的依赖语义从而增强服务的语义。（2）设计一个融合标签知识的词嵌入主题模型，建立服务-标签-主题-词嵌入的层次模型，为服务聚类组织提供支持；（3）基于服务层次模型和用户查询需求，提出一种概率查询策略，最终实现高效的服务发现。本研究旨在促进服务描述的语义稀疏问题的解决,为高效的服务发现提供支持。

服务规模剧增和服务描述的语义稀疏问题严重阻碍了服务的有效发现和使用。如何在互联网服务快速增长且服务描述语义稀疏情境下进行有效的服务发现已经成为一个亟待解决的问题。针对以上问题，本项目采用基于反馈循环神经网络训练产生融合前向和后向依赖语义的词嵌入，设计基于词嵌入的主题模型对Web服务进行聚类组织，在充分利用主题模型高效组织服务的前提下，结合词嵌入降低语义稀疏影响最终提高服务发现的效率；建立一种基于迁移学习的服务聚类模型，该模型能够基于外部知识库Wikipedia来丰富服务描述语义从而提高服务聚类效果。.针对现有的主题模型基于向量空间模型维度过大的问题，本项目将多种策略融合在一起，充分发挥它们各自的优势，弥补不同策略间的不足，建立了一个情境感知的多策略融合的个性化服务发现框架，该框架能够通过服务聚类提升服务组织分类和发现效果，利用服务推荐技术预测用户兴趣偏好提供个性化发现结果，在服务发现过程中引入情境知识来进一步刻画用户以提升服务发现的效果；针对基于显式反馈的服务推荐方法很难获取用户和服务的显式交互信息的问题，本项目提出一种基于隐反馈的时间感知服务推荐方法，该方法基于隐反馈数据，融合情境知识，能够为用户提供时间感知的个性化服务发现结果；针对用户冷启动问题，本项目进一步分析了服务推荐系统中的情境信息，建立融合时间和地点两类情境信息的“最流行”服务推荐模型来为冷启动用户提供最流行服务推荐。.本项目研究的服务聚类、发现、推荐方法在分析服务描述语义稀疏问题研究方面具有一定的创新性。本项目研究成果将为软件业向软件服务业的转型做出应有的贡献，具有一定的研究与应用的实际价值。