[發明專利]一種基于共生注意力表示學習的服務分類方法

有效

• 申請號: 202110249579.5
• 申請日: 2021-03-08
• 公開（公告）號: CN112836054B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 鄢萌;唐斌;吳云松;張小洪;徐玲;任海軍;楊丹
• 申請（專利權）人: 重慶大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06N3/04;G06N3/08
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

本發明涉及一種基于共生注意力表示學習的服務分類方法。具體包括如下步驟：選取一個web服務，該Web服務包括服務描述和服務名稱；利用服務描述構建描述服務矩陣；從服務描述中提取信息詞，構建服務信息詞特征矩陣；利用服務名稱構建服務名稱特征矩陣；融合信息詞特征矩陣和名稱特征矩陣獲得增強數據特征矩陣；利用增強數據特征矩陣和服務描述特征矩陣建立服務特征相關矩陣；通過計算相關矩陣得到所需的向量參數，最后根據向量參數與特征矩陣得出web服務的服務類別。本發明方法通過提取服務描述作為附加服務特征，將提取出來的信息詞與服務名稱合并，以形成用于服務分類的服務增強特征，從而提高分類的準確性。

技術領域

本發明涉及服務分類方法領域，特別涉及一種基于共生注意力表示學習的服務分類方法。

背景技術

隨著面向服務架構(SOA)的廣泛應用，Web服務(例如Mashups)在Web平臺和移動應用程序市場上變得越來越流行。到目前為止，已經有了許多有關服務分類的工作，它們中的大多數主要集中于使用關鍵字來匹配其他服務描述中的關鍵字來測量不同服務之間的語義距離，分類結果會將具有類似功能的服務分類為同一類別；這些基于關鍵字的方法主要依賴于服務描述中關鍵字的質量，而這些關鍵字是由服務提供商手動指定的，但由于服務提供者對類似功能的服務有不同程度的了解，提供者為服務選擇最佳的關鍵字是比較困難的，這將導致不同提供者之間的語義鴻溝問題，這種鴻溝問題也會限制服務分類的準確性。

為了解決基于選擇關鍵字方法的局限性，許多研究人員提出了各種基于語義的服務分類方法。通常是基于矢量空間模型來學習服務描述概率主題，以測量服務之間的相似性并對服務進行分類。例如，李等人使用潛在狄利克雷分配(LDA)提取服務描述文檔的潛在因素以進行服務分類，但基于LDA的分類方法不適用于對簡短而稀疏的Web服務描述進行建模。

另一種深度學習模型廣泛應用于機器學習研究領域，例如文本分類，服務分類等。研究人員提出了許多深度學習模型，這些模型在捕獲各種信息語義，提高分類準確性上具有很出色的性能，代表方法之一就是Kim等人提出的CNN，該方法將CNN與預訓練的單詞向量集成在一起用以對文本進行分類；另一個是Att-BLSTM，它使用注意力機制進行分類。然而，這些深度學習模型在服務分類方面仍存在一些問題：一是這些模型通常僅從服務描述中提取特征以對Web服務進行分類；二是這些模型無法解決數據稀疏和上下文無關的問題。

為了解決這些問題，楊等人提出了一種用于服務分類的深度神經網絡，稱為ServeNet-BERT。通過Google BERT(Bidirectional Encoder Representation fromTransformers)模型將服務名稱和服務描述嵌入向量空間中，再利用神經網絡學習它們的高級特征表示，并將其合并用作Web服務分類。實驗結果表明，ServeNet-BERT優于10種機器學習方法，包括LDA-SVM和C-LSTM。盡管ServeNet-BERT在服務分類方面具有優勢，但其仍然存在局限性：ServeNet-BERT只是將特征與服務名稱和服務描述結合在一起，而沒有充分利用服務名稱和服務描述之間潛在的語義相關性。

發明內容

針對現有技術存在的上述問題，本發明要解決的技術問題是：充分利用服務名稱和服務描述之間潛在的語義相關性，提高服務分類的準確性。

為解決上述技術問題，本發明采用如下技術方案：一種基于共生注意力表示學習的服務分類方法，包括如下步驟：

S100：從公開數據集中選取部分web服務作為訓練集，訓練集中的每個web服務都有確定的服務類別，對訓練集中包含的所有服務類別進行順序編號；

S200：從該訓練集中任選一個Web服務作為訓練樣本，該訓練樣本包括服務描述和服務名稱；

S300：對每個訓練樣本從其服務描述中提取服務信息詞；

S400：對每個訓練樣本構建描述特征矩陣D；