服务生态系统下基于功能语义聚类的智能服务管理与组合方法研究

Service, as a distributed computational model under the open Web environment, is of great promising for building real word applications. With the fast development of mobile Internet and cloud computing techniques, the costs of the service development, deployment, access and maintenance decreased significantly. Various types of services, especially the micro-services, are growing at an extraordinary speed and will be bringing great benefits to people’s life in many aspects, which as a result evolve into a huge service ecosystem. How to efficiently manage these emerging services, and based on it automatically recommend feasible service compositions to meet the increasingly complex user requirements, have been a challenging and hot research problem in service computing. Targeted at the specific features of service ecosystem, this project focuses on the study of high efficient methods for service clustering and automatic composition based on the intelligent machine learning techniques. The specific research contents include: 1) The construction of intelligent service clustering methods using the natural language descriptions of services will be investigated, with a focus on the functional attention mechanism and functional semantics. 2) Self-learning service management framework and methods based on fuzzy clustering and classification in open and dynamic environments will be explored. 3) According to the results of service clustering, intelligent service composition recommendation methods based on the users' functional requirements will be proposed. 4) A prototype system supporting those methods will be implemented to verify their effectiveness.

服务作为一种开放环境下的分布式计算模型具有极大的应用前景。随着移动互联网和云计算技术的迅猛发展，各类在线服务的开发、部署与访问成本已大幅度降低。各具特色的服务正蓬勃发展并广泛应用于企业和人们生活的方方面面，据此正形成一个服务生态大系统。如何高效的管理该类系统中的海量服务，并为复杂的需求场景自动提供可行的服务组合方案是服务计算领域的研究难题之一。针对该问题，本申请拟研究服务功能语义聚类技术支持的智能服务管理与组合的理论与方法，提升服务管理与组合的效率、质量与自动化程度。具体包括：1）根据服务的自然语言描述信息，研究基于功能关注机制和功能语义的智能服务聚类方法；2）探索开放、动态环境下基于模糊聚类与分类结合，具有自学习能力的服务管理架构与方法；3）应用服务聚类的结果，探索研究根据用户功能需求描述文本自动推荐服务组合方案的智能方法；4）开展实验验证，并实现动态环境下的自动服务管理与组合原型系统。

本项目重点研究了服务生态系统下基于功能语义聚类的智能服务管理与组合方法。项目在以下四个方面取得了重要研究成果：.1. 利用注意机制将Bi-LSTM的局部隐态向量与全局LDA主题向量结合起来，提出了一种基于局部注意力Bi-LSTM的Web服务分类方法。另外，在此基础上，考虑先进的文本表征技术Doc2vec和网络表征技术Nod2vec，提出了一种融合非结构化和结构化信息的Web服务分类方法。.2. 提出了一种融合内容和结构语义表征的Web服务聚类方法。利用服务关系网络的结构语义信息，有效地补充服务描述文本语义表达不足的问题。进一步地，基于有监督的机器学习任务，有效地融合了服务内容语义信息和服务关系网络结构信息，使得无监督的Web服务聚类算法可以获得有效的输入特征，从而提高了服务聚类的性能。.3. 考虑图神经网络的强大网络表征能力和因子分解机的复杂建模能力，提出了一种融合多组件图卷积协同过滤和深度因子分解机的服务QoS预测方法。进一步地，考虑多维QoS属性之间的关联关系，提出基于特征深度融合的Web服务多维QoS联合预测方法，使得多维QoS的预测模型可以联合训练。.4. 考虑服务描述文本信息的不足，引入GAT2VEC模型提取API关系网络中的结构关系和属性信息，获取API的表示向量。基于深度兴趣网络，逐步选择API来合成Mashup，提出了一种基于结构强化与属性弱化网络的Web服务推荐方法。同时，提出基于混合因子分解机模型NAFM的服务推荐方法，利用深度神经网络建模特征交互的非线性结构和Attention网络建模特征交互的不同权重，从而改进模型的表达能力，提高服务推荐的准确性。