6个研究背景和意义示例,教你写计算机Web API推荐论文

今天分享的是关于Web API推荐的6篇计算机毕业论文范文, 如果你的论文涉及到Web API推荐等主题,本文能够帮助到你

基于多特征融合和知识图谱表达的Web API推荐

这是一篇关于Web API推荐,多特征融合,DS证据理论,BiGRU,KG的论文, 主要内容为Web API是一种可供应用程序实现存储、消息、计算等服务功能的应用编程接口。它的好处在于容易被访问、开发、组合和扩展,因此在基于Mashup的服务系统的构建方面起着重要的支撑作用。随着互联网上Web API数量的迅猛增多,开发者面临着如何从众多功能相似的API中挑选最合适的目标以构建Mashup的问题,这为开发者带来了许多挑战。通过构建API的推荐系统则有助于缓解此问题,因此已经有许多基于协同过滤、链接分析和主题模型的工作被提出;但是目前的工作多数仅利用了单一的信息维度或算法模型,缺乏对多维度特征的深入挖掘与应用。为此,本文从多特征挖掘与融合、知识图谱(Knowledge Graph,KG)建模与表达两种视角,各自提出了一种Web API推荐算法,以达到对多维度特征利用增强推荐效果的目的。本文的具体工作如下:从启发式方法入手,基于DS证据理论,提出了一种多特征融合的Web API推荐方法。首先,通过分析API参与Mashup过程的影响因素,将其归纳为文本特征、近邻特征、API相关特征三个证据维度;采用数据融合算子融合各个证据维度的子特征;采用香农熵量化每个证据维度的权重;最后,基于三个维度证据,以评估API和Mashup的需求之间的相关性,从而实现API推荐。通过实验分析证明,即使采用非机器学习的推荐方法也可以获得满意的推荐结果。从机器学习的方法入手,基于知识图谱建模与表达,提出了嵌入语义表示增强的Web API推荐方法。首先根据API和Mashup的之间的关系,如推荐、被推荐、标签、属性等关系,提取关系三元组,构建知识图谱;使用知识图谱知识表示学习Trans系列算法以获得API和Mashup的浅层的向量表达;为了增强图谱表达学习的效果,又构建了以双向GRU神经网络(Bidirectional Gated Recurrent Unit,BiGRU)和注意力机制(Attention Mechanism,Attention)为基础的文本编码模块,以获得Mashup和API的深度向量表示。本文将文本编码模块与Trans系列算法联立,进行交替训练,实现深层和浅层的协同表达学习。最后用余弦相似度量化目标Mashup和候选API的相关性,以实现API推荐。实验表明此方法能够获得较好的推荐效果。

面向Web开发的API推荐算法与知识图谱的设计与实现

这是一篇关于Web开发,Web API推荐,知识图谱,知识表示,软件重用的论文, 主要内容为在移动多媒体计算应用开发中,提高应用开发效率一直是一个核心问题。Web API的使用在提高应用程序开发效率方面起到了明显的作用,但要找到合适的Web API需要很多时间。Web API推荐系统可以解决这个问题,Web API推荐系统将直接推荐Web API给需要的开发者,同时在Web API领域中也没有相关的知识图谱构建,这对Web API领域中对于知识的查询无疑增加了难度。故而,本文一共设立了两个研究目标,一个是提出新的Web API推荐算法,另一个是在Web API领域中构建知识图谱,并进行表示学习。在推荐Web API的过程中,本文使用矩阵分解模型来预测用户和Web API之间的关系。在该模型中,用户和Web API之间的关系用矩阵表示。但与传统矩阵分解模型不同的是,本文发现Web API之间的关系会对预测结果产生一定的影响。因此,本文采用嵌入技术来计算Web API的向量,然后通过向量之间的计算来得到Web API之间的相似性,并利用Web API之间的潜在关系提出了一个新的矩阵分解模型,本文将新的模型称为MF-AS模型。将相似度计算结果输入MF-AS模型,实现API与用户的关系预测。通过与其他推荐算法的结果对比可以发现,在所有情况中MFAS的模型效果都更好,在冷启动情况中仍有良好的预测结果,说明了模型的有效性以及在特殊情况下也能发挥很好的效果。同时本文也对API进行了知识图谱的设计与实现,随着信息技术的发展,软件开发的模式也在不断进步,在面对现在智能软件开发的需求,知识图谱利用其多种特异性优势,可以将大量Web API以及相关数据有效整合利用来满足智能软件开发的需求。本文基于Web API等数据,结合知识图谱构建技术,分别建立了API知识图谱与Mashup知识图谱,通过对这两个知识图谱进行知识融合,最终得到数据更加完整的Web API知识图谱。通过知识图谱构建技术得到的完整的Web API知识图谱为智能软件的开发提供了新的工具。同时我们从Web API知识图谱中提取了一部分API数据,使用知识表示方法表示知识图谱中的API,得到结果后,对结果进行聚类和相似度计算,并对整个表示结果进行一个分析,为智能软件开发领域了作出了贡献。

多样性与高效性驱动的兼容Web API推荐方法研究

这是一篇关于Web API推荐,群Steiner Tree,多样性,Simhash算法,渐进式机制的论文, 主要内容为互联网技术的不断发展促使Mashup等服务开发工作越来越智能化,Mashup开发人员通常通过组合调用各类应用程序编程接口(Web Application Programming Interface,Web API)来完成Mashup的功能开发工作。同时,为了开发的便捷性,各类服务共享平台(例如Programmable Web.com)也在不断发布能够实现各类功能的不同的Web API。随着Web API数量的不断增长以及其功能的不断复杂,开发人员有时难以选择和筛选真正合适和感兴趣的Web API。在这种情况下,推荐系统就发挥了重要的作用,各类Web API推荐方法也应运而生。然而,目前Web API推荐技术仍然面临一些挑战,例如:现有的推荐方法往往忽略推荐的多样性因素,从而导致推荐结果存在冗余、开发人员的选择范围受限;现有的推荐方法往往推荐效率不高,从而导致推荐时间过长、推荐速度慢等问题。针对这些问题和挑战,本文提出了多样性驱动的兼容Web API推荐方法PD-WACR以及高效性驱动的兼容Web API推荐方法PWAR,具体研究内容如下:(1)本文提出的Web API推荐方法PD-WACR,构建了改进的赋权Web API关联图,引入群Steiner Tree搜索算法和Simhash算法,是一种综合考虑Web API兼容性、流行性与多样性的推荐方法。具体地,首先考虑API之间的兼容性和API自身的流行性因素,利用Mashup和API的历史交互记录,构建改进的赋权Web API关联图,之后定义了兼容性和流行性的综合指标;其次结合开发人员的功能需求,利用群Steiner Tree搜索算法,动态搜索兼容性与流行性综合最优的多组候选Web API组合;然后引入Simhash算法和汉明距离,计算出Web API组合之间的差异性程度,从而筛选出多样性最优的前Top-k个Web API组合作为最终推荐结果。最后在真实数据集(PW)上进行了相关实验,实验证明,PD-WACR方法具有广泛的适用性,能够有效提高Web API推荐结果的多样性等。(2)本文提出的Web API推荐方法PWAR,将群Steiner Tree搜索算法与最小生成树算法相结合,引入了一种高效的渐进式推荐机制,解决了当需求关键词数量较多时,动态搜索效率不高的问题。具体地,首先利用API之间的兼容性信息和功能信息构建了带权Web API关联图;然后结合关联图和开发人员的功能需求,利用群Steiner Tree搜索算法和最小生成树算法,快速生成满足需求且兼容的可行解,同时针对搜索过程中产生的中间解进行拓展,持续生成兼容性更好的优化解,直到找到全局最优解;最后通过实验证明,PWAR能够在保证推荐准确度较高的情况下,大大提高推荐的效率,推荐性能明显优于其他方法。

面向软件开发的Web API推荐与关联模式挖掘研究

这是一篇关于Web API推荐,关联模式挖掘,智能化软件工程,协同推荐,图神经网络的论文, 主要内容为随着互联网的发展,软件开发的需求与日俱增,Web API的调用已经成为软件开发必可不少的一种方式。Web API是一些预定义的功能,它向软件开发人员提供了一系列的接口,有了Web API,软件开发人员可以根据自己的需求直接调用并组合Web API而无需了解其内部细节。但是,由于软件库中的Web API数量庞大,开发人员无法熟悉所有Web API并始终为特定的开发任务选择正确的Web API,因此Web API的推荐是一项十分紧急的任务。本文主要针对Web API的推荐与关联模式的挖掘分别提出了两个方法,主要工作如下:1.面向软件开发的Web API推荐算法。在本文中,我们发现了用户与Web API之间存在一些关系,并利用这种关系和协同学习技术来完成Web API的推荐。本文共提出了一个包含三个模型的整体框架。在这三个模型中,我们设计了一种联合矩阵分解技术,并尝试发现Web API调用过程之间的偏好。在自然语言处理中,词嵌入技术被广泛使用,在本文的模型中,我们使用doc2vec将用户和Web API的表示转换为向量表示,并分别计算用户和Web API的相似度以生成关系。除了用户端和Web API端的两种模式外,我们还提出了一个集成模型,充分利用了从用户端和Web API端挖掘的偏好,从而同时利用这些关系去进行推荐。本文在真实世界的数据集上进行了实验,实验结果表明本文的模型比所有比较的方法都表现的更好。2.面向软件开发的Web API关联模式挖掘。关联模式挖掘可以从数据集中发现项与项之间的关系,从而可以将挖掘出的关系用于推荐。本文研究了图神经网络(具体为Graph Transformer Network)的原理与特点,通过研究Graph Transformer Network,我们发现该方法在异构图上的表现较好,并将其用于Web API关联模式的挖掘,从而将Web API推荐转化为图推荐问题,挖掘出了Web API之间更多的潜在关系,从而用于推荐。对于Web API推荐问题,本文将用户、Web API以及Web API所在的公司作为输入图的节点,将用户-Web API、Web API-公司作为边类型,Graph Transformer Network会对输入的图进行卷积操作,从而自动生成元路径,并得到图中节点的新的表示,从而进行后续的节点分类与推荐。