[发明专利]一种基于词嵌入与协同过滤技术的API推荐方法

说明书

本发明公开了一种基于词嵌入与协同过滤技术的API推荐方法，所述API推荐方法包括：S1：对API真实调用记录进行初始处理，得到API调用矩阵；S2：对所述API调用矩阵中所有用户调用API的API序列进行训练，得到API‑API相似度矩阵；S3：对所述API调用矩阵中所有API跟随用户的用户序列进行训练，得到用户‑用户相似度矩阵；S4：根据所述API调用矩阵、所述用户‑用户相似度矩阵和所述API‑API相似度矩阵，分别得到API侧调用预测模型和用户侧调用预测模型；S5：根据所述API侧调用预测模型以及所述用户侧调用预测模型，得到最终预测模型；S6：根据所述最终预测模型，输出API推荐结果。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于词嵌入与协同过滤技术的API推荐方法。

背景技术

应用程序接口(Application Programming Interface)，简称API。智能物联网环境下的API推荐方法是一种收集智能物联网中程序开发人员在APP开发过程中的API使用记录，通过对程序开发人员历史行为记录进行分析来对程序开发人员进行API推荐。现有的推荐方法根据推荐所使用的数据大致可以分为三种类型：基于内容的推荐系统、基于协同过滤的推荐系统以及混合类型的推荐系统。基于内容的推荐系统是一种启发式方法，这种方法认为程序开发人员倾向于使用其经常使用的API高度相似的API。一般通过获得关于程序开发人员和API的内容文件，并计算对应相似度来进行推荐。该方法存在推荐内容单一化，局限化的问题，其只能用于对文字呈现的信息进行推荐，当面临多媒体信息内容时(如图片，影像，音频等)，很难再去由它的内容计算其特征权重，此外，通过目前的内容分析方法，只能判定项目的内容相关程度，却无法得到内容到底是好还是坏。

协同过滤是一种非常经典的推荐模型。其侧重点在于通过用户与项目之间的交互行为来去进行推荐。也就是说利用系统中已存在的用户行为记录去推断用户的未来行为。纵观目前所有的协同过滤算法，大体上可以分为三类：第一类是基于用户的协同过滤；第二类是基于项目的协同过滤；第三类是基于模型的协同过滤。目前主流的协同过滤算法是基于模型的协同过滤，但是基于模型的协同过滤算法存在着冷启动和数据稀疏性的问题，当推荐系统中用户的现存数据量较少时很难取得较好的推荐效果。

现有的API推荐大多存在以下问题：

1、API根据所提供的接口所提供信息计算的相似度信息可解释性差，同时对于开放接口较少的API推荐效果较差；

2、很多API的信息中不存在Mashup的服务文档，同时对于单词共现的矩阵信息进行分解所得到的特征的信息损失较大。

发明内容

本发明的目的在于克服上述已有技术的不足，提出的模型的是一种基于矩阵分解和词嵌入的联合矩阵分解推荐方法，以提高智能物联环境中API推荐的准确度，加强了系统对于用户与API潜在特征的挖掘。

本发明解决上述技术问题的技术方案如下：

本发明提供一种基于词嵌入与协同过滤技术的API推荐方法，所述API推荐方法包括：

S1：对API真实调用记录进行初始处理，得到API调用矩阵；

S2：对所述API调用矩阵中所有用户调用API的API序列进行训练，得到API-API相似度矩阵；

S3：对所述API调用矩阵中所有API跟随用户的用户序列进行训练，得到用户-用户相似度矩阵；

S4：根据所述API调用矩阵、所述用户-用户相似度矩阵和所述API-API相似度矩阵，分别得到API侧调用预测模型和用户侧调用预测模型；

S5：根据所述API侧调用预测模型以及所述用户侧调用预测模型，得到最终预测模型；

S6：根据所述最终预测模型，输出API推荐结果。