一种语义稀疏服务聚类方法  

A Semantic Sparisity Web Service Clustering Approach

作　　者：胡文生 谢芳[1] HU Wen-sheng;XIE Fang(School of Computer Science,Hubei University of Technology,Wuhan 430068,China)

机构地区：[1]湖北工业大学计算机学院,湖北武汉430068

出　　处：《软件导刊》2020年第11期6-10,共5页Software Guide

基　　金：湖北省自然科学基金面上项目(2020CFB807);湖北省教育厅科学技术研究计划重点项目(D20201402);湖北工业大学高层次人才科技启动基金项目(337396)。

摘　　要：随着SOA迅猛发展和互联网上服务数量俱增,服务发现成为极具挑战性的工作。传统的服务发现方法在语义稀疏情境下精准度不高,主要是缺乏有效信息对发现工作的支持,无法对服务进行准确的类别划分。针对此问题,提出一种基于BTM面向Web服务短文本描述的服务聚类方法 S3C,该方法的主要思想是利用BTM在短文本聚类过程中使用Biterm(词对)优势对服务描述进行潜在特征表示,基于服务潜在特征使用Kmeans聚类方法进行服务聚类。BTM采用词对的主题建模方式,能够极大程度地扩展文本信息,解决短文本中的关键词稀疏问题。采用PWeb数据集进行大量对比实验可知,该方法与经典聚类方法相比,类簇的平均纯度提高30%,平均熵降低近50%。With the rapid development of SOA and the increasing number of service on the Internet,service discovery has become a challenging task.The accuracy of traditional service discovery approach is not high in the context of senmantic sparseness,which is mainly due to the lack of effective information to support it.Faced with this issue,this paper proposed a web service clustering ap⁃proach S3C based on BTM model for short text web servcie description.This approach takes advantage of BTM in short text clustering to establish latent feature vector of Web service,and use Kmeans to cluster service based on latent feature vector.The BTM uses biterm to train topic-model,which can greatly expand information and solve semantic sparsity in short text.Compared with the classical cluster⁃ing approach,the proposed approach improves the average purity by 30%and reduces the entropy by nearly 50%.

关 键 词：服务聚类 语义稀疏服务 BTM模型 服务发现 人工智能 

分 类 号：TP301[自动化与计算机技术—计算机系统结构]