机器学习增强的服务混搭开发方法研究

Driven by the idea of service-oriented computing, it is a challenge for information service system how to effectively Mashup services to provide composition-level applications to achieve the best service values and enterprise benefits, based on the requirement of developer and large-scale, heterogeneous, diverse and complex-relationship service data. To address this challenge, starting from the basic description and modeling of service, this project will firstly build a three-dimensional representation model of service involves the content, quality and relationship of service, and exploit machine learning to enhance the development of service Mashup. Specifically, we will investigate: 1) service clustering with functionality by integrating dual attention mechanism and convolution neural network, and using self-organizing map neural network, 2) service recommendation with good accuracy via combining tag with attention mechanism and bi-directional long and short time memory neural network, and utilizing deep factorization machine, respectively, and 3) service composition recommendation based on multi-relationship with manifold learning, and composition model. Finally, a prototype system will be developed to verify the above proposed models, methods and technologies.

在服务计算“服务化”思想驱动下，面对开发者用户需求和大规模、异构、多样化、关系复杂的服务数据，如何有效Mashup（混搭）服务以提供组合级应用，从而实现服务价值与企业效益的最大化，是当前面向服务计算的信息服务系统领域面临的新挑战。针对该挑战，本项目首先从服务的基础性描述与建模入手，创建服务的内容、质量与关系三维表征模型；以此为基础，提出一套利用机器学习增强服务混搭开发的解决方案，具体包括：1）融合双重Attention机制与卷积神经网络、基于自组织神经网络的服务功能聚类，2）集成标签关注和双向长短时记忆神经网络、基于深度因子分解机的服务精准推荐，以及3）基于流行学习的多关系服务组合推荐、利用组合模式的服务组合推荐。最后，研制原型系统验证提出的模型、方法与技术。

面对开发者用户需求和大规模、异构、多样化、关系复杂的服务数据，如何有效Mashup（混搭）服务以提供组合级应用，从而实现服务价值与企业效益的最大化这个挑战性问题，依据项目研究内容和研究目标，该基金项目执行四年以来，按照计划进行，研究成果覆盖了研究计划中的各项内容。1) 基于图神经网络的服务多维表征学习方面：提出了基于图卷积神经网络的服务分类、基于图注意网络的Web服务分类、基于异构图注意网络增强的Web服务分类、基于双线性图神经网络的Web服务分类等方法。2) 基于关键特征和内容语义的服务功能聚类方面：提出了结合Doc2Vec和LINE模型的Web服务分类、基于自适应多通道图卷积神经网络的Web服务分类、探索内容和结构语义的注意力神经分解机Web服务分类、具有增强主题注意力机制的移动应用程序分类、基于有益特征交互的API推荐等方法。3) 在利用功能聚类与质量信息的服务精准推荐算法方面：提出了融合SOM功能聚类与DeepFM质量预测的API服务推荐、结合多组件图卷积协同滤波和深度因子分解机的QoS预测、以QoS为中心的多样化服务推荐、基于主题注意机制和因子分解机的移动应用推荐等方法。4) 在考虑多样化关系与组合模式的服务组合推荐算法方面：提出了基于多模态特征融合的移动应用分类与推荐、融合图注意力表征与DeepFM质量预测的API服务推荐、基于特征重要性和双线性特征交互的移动应用推荐、基于自适应门网络和xDeepFM模型的Web服务推荐等方法。5) 另外构建服务生态系统并开发系列工具集，帮助开发者用户发现、开发出有创意的组合级应用服务，促进服务的监管治理以及服务市场的发展。.论文成果方面，在计算机学报、IEEE TNSM、ICWS、CCPE、JIT、MONET、SCC、ISPA、CollaborateCom、HPCC等核心期刊和重要会议发表论文27篇，申请专利1项，软件著作权1项。培养学生方面，硕士生毕业4名，另外在读博士生4名，在读硕士生10名。超额完成了预期目标。