基于异构信息网络的服务发现与组合研究

With the rapid development of mobile Internet and cloud computing, there will be a mass of open/private services and their related information, which not only provide more service choices and better user experience, but also pose challenges to the service oriented discovery and composition. Due to the great ability of information presentation, storage, and semantic linking information, heterogeneous information network is becoming an effective tool for knowledge mining. Currently, there are few papers about heterogeneous information network based service discovery and composition, especially for the scenario in which there are massive services, data features, and complicated network environment. This proposal tries to tackle above problems via the following research: 1) Based on the structure of service oriented heterogeneous information network, we propose the concept of meta-path and service similarity computation methods based on meta-path; 2) We propose to employ more service related data sources, utilize the heterogeneous information network structure to improve the performance of service discovery via collaborative filtering, matrix factorization, pair-wise ranking; 3) We propose to utilize manifold learning and graph regularization to predict, optimize, and recommend better composite services to users.

随着移动互联网和云计算技术的迅猛发展，涌现了大量的公用或者私有服务及与之相关的各类服务信息，不仅为用户带来了更多的服务选择和更好的用户体验，同时也为服务的发现和组合带来挑战。异构信息网络凭借其强大的表达、存储信息的能力及其中语义丰富的链接信息，正成为一个挖掘知识的有力工具。目前，基于异构信息网络的服务发现与组合研究国内外都刚刚起步，特别是对于服务数量巨大，数据特征众多，网络环境复杂等问题的研究都尚未有可靠的解决方案。本项目的研究内容如下：1）基于服务间的异构网络结构信息，提出元路径概念，及基于元路径的服务相似性度量方法；2）在现有的服务发现研究基础上，引入与服务相关的多源数据集，利用服务异构信息网络结构，结合协同过滤、矩阵分解、pair-wise排序等方法，提高服务发现的准确率；3）研究基于异构信息网络的服务组合方法，引入流行学习、基于图正则的方法，预测、优化、推荐更合适的服务网络给用户。

异构信息网络凭借其强大的表达、存储信息的能力及其中语义丰富的链接信息 ,正成为一个挖掘知识的有力工具。目前,基于异构信息网络的服务发现与组合研究国内外都 刚刚起步,特别是对于服务数量巨大,数据特征众多,网络环境复杂等问题的研究都尚未有可靠的解决方案。本项目的研究内容如下:1)基于服务间的异构网络结构信息,提出元路径概念,及基于元路径的服务相似性度量方法;2)在现有的服务发现研究基础上,引入与服务相关的多源数据集,利用服务异构信息网络结构,结合协同过滤、矩阵分解、pair-wise排序等方法,提高服务发现的准确率;3)研究基于异构信息网络的服务组合方法,引入流行学习、 基于图正则的方法,预测、优化、推荐更合适的服务网络给用户。..在本项目的研究中，我们提出了一系列有效的基于异构信息网络的服务发现、组合和推荐的方法，相关成果发表在包括SIGIR、IJCAI、ICSOC、TOIT在内的国际学术会议和期刊上。在基于异构信息网络的服务相似度量及服务发现方面,我们提出了两种异构信息网络场景下面向服务的信息建模方法:1) 元路径; 2) 元图；在基于异构信息网络的服务组合方面,我们提出考虑偏好信息,并利用深度神经网络来进行学习；在基于异构信息网络的服务发现和推荐方面，引入对抗生成网络机制，为用户发现和推荐合适的服务；在基于异构信息网络的服务组合及推荐方面，考虑到用户-组合服务的调用或者交互数据更加稀疏，提出采用多任务学习机制，以提高面向用户的组合服务的推荐准确率。