Web 2.0時(shí)代,Web服務(wù)數(shù)量飛速增長,基于Web集成的Mashup在興起之后,也隨之急劇增加。Mashup技術(shù)為更快速、更方便地開發(fā)新的Web服務(wù)提供了可能,但服務(wù)數(shù)量的快速增長使Mashup服務(wù)的開發(fā)人員需要耗費(fèi)大量時(shí)間精力來對(duì)已有的服務(wù)進(jìn)行管理。面對(duì)大量的服務(wù)數(shù)據(jù),如何通過機(jī)器學(xué)習(xí)的技術(shù)對(duì)其進(jìn)行適當(dāng)?shù)姆治龊吞幚?完善對(duì)大量Mashup服務(wù)的管理效率,是當(dāng)下服務(wù)計(jì)算領(lǐng)域的研究熱門。本文基于對(duì)服務(wù)標(biāo)簽推薦方法的調(diào)研之上,在2016和2018年公開的兩個(gè)數(shù)據(jù)集上,對(duì)比了基于監(jiān)督學(xué)習(xí)的Mashup服務(wù)標(biāo)簽推薦方法（SL-MSTR）和基于無監(jiān)督學(xué)習(xí)（服務(wù)聚類）的Mashup服務(wù)標(biāo)簽推薦方法（SC-MSTR）。兩組數(shù)據(jù)的實(shí)驗(yàn)結(jié)果都表明無監(jiān)督的SC-MSTR方法比有監(jiān)督的SL-MSTR方法的標(biāo)簽推薦質(zhì)量高,同時(shí)當(dāng)候選標(biāo)簽數(shù)目變化時(shí)無監(jiān)督SC-MSTR方法也始終優(yōu)于有監(jiān)督的SL-MSTR方法。通過對(duì)實(shí)驗(yàn)結(jié)果的進(jìn)一步分析,發(fā)現(xiàn)在進(jìn)行服務(wù)標(biāo)簽推薦時(shí),SL-MSTR方法依賴當(dāng)前Mashup服務(wù)與候選標(biāo)簽之間的相似度,SC-MSTR方法依賴當(dāng)前Mashup服務(wù)與已有真實(shí)標(biāo)簽集的Mashup服務(wù)的相似... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文結(jié)構(gòu)圖

9第2章Mashup服務(wù)聚類方法研究隨著Mashup服務(wù)資源的急劇增多，根據(jù)Mashup服務(wù)的功能對(duì)其進(jìn)行聚類已經(jīng)成為一種改善Mashup服務(wù)管理的有效方法。緒論中已經(jīng)對(duì)Mashup服務(wù)聚類進(jìn)行了相關(guān)的技術(shù)調(diào)研。本章中將研究常見的Mashup服務(wù)聚類方法，并借鑒技術(shù)調(diào)研中基于先驗(yàn)知識(shí)的聚類方法，提出了基于偽標(biāo)記的半監(jiān)督服務(wù)聚類方法。在傳統(tǒng)服務(wù)聚類方法的基礎(chǔ)上，引入監(jiān)督學(xué)習(xí)方法，輔助改善聚類效果。并通過多組對(duì)比實(shí)驗(yàn)的結(jié)果，分析基于偽標(biāo)記的Mashup服務(wù)半監(jiān)督聚類方法的聚類效果，為改善Mashup服務(wù)聚類性能提供一種新思路。2.1傳統(tǒng)Mashup服務(wù)聚類方法聚類是一種依據(jù)元素間相似性將其聚集成不同類簇的學(xué)習(xí)任務(wù)。聚類的目的是使在同一類簇中的元素的相同特質(zhì)最大化，而使在不同類簇中的元素的不同特質(zhì)最大化[31]。對(duì)Mashup服務(wù)進(jìn)行聚類，將具有相似功能的服務(wù)聚集在一起，可以改善對(duì)Mashup服務(wù)管理的效率。WSDL文檔作為Mashup服務(wù)的描述文檔，相較于Mashup服務(wù)的其它信息來說，能更好地刻畫Mashup服務(wù)。現(xiàn)有的Mashup服務(wù)聚類大多是直接從Mashup服務(wù)的WSDL文檔中直接提取特征，再選取聚類方法進(jìn)行聚類，這種方法利用了WSDL文檔對(duì)Mashup服務(wù)性能較為全面的描述，再結(jié)合自然語言處理的方法，對(duì)文本特征進(jìn)行提取，最后聚類，達(dá)到對(duì)已有的Mashup服務(wù)進(jìn)行大致分類的效果，改善Mashup服務(wù)管理效率。傳統(tǒng)Mashup聚類方法原理圖如圖2-1所示。圖2-1傳統(tǒng)Mashup服務(wù)聚類方法原理

13果，依賴于上一步文本向量化的效果，這也是本問選擇兩種完全不同的文本向量化方法進(jìn)行對(duì)比的原因。本文引入監(jiān)督學(xué)習(xí)的思想來輔助聚類，是在傳統(tǒng)服務(wù)聚類方法的基礎(chǔ)上進(jìn)行的，因此選用較為經(jīng)典的傳統(tǒng)聚類方法，可以獲得更客觀的對(duì)比效果。2.2基于監(jiān)督學(xué)習(xí)的Mashup服務(wù)聚類方法聚類是一種多變量的分類統(tǒng)計(jì)方法。然而，與有監(jiān)督的學(xué)習(xí)方法相比，聚類對(duì)數(shù)據(jù)的分類能力就弱得多。因此，本章的Mashup服務(wù)聚類優(yōu)化方法研究中，引入了監(jiān)督學(xué)習(xí)的思想來對(duì)服務(wù)聚類方法進(jìn)行優(yōu)化。2.2.1優(yōu)化策略傳統(tǒng)的服務(wù)聚類方法優(yōu)化策略通常是在圖2-1的傳統(tǒng)服務(wù)聚類方法的過程中，對(duì)某些步驟進(jìn)行優(yōu)化，如圖2-5所示。傳統(tǒng)的服務(wù)聚類優(yōu)化方法有優(yōu)化特征選取過程以及對(duì)服務(wù)聚類部分的聚類算法進(jìn)行優(yōu)化的內(nèi)部優(yōu)化方法。前者通常為采用不同的服務(wù)特征提取方式[4,16,22]或通過輔助信息添加某些有效特征[8-9]，后者針對(duì)不同的數(shù)據(jù)特征選取更優(yōu)的聚類算法[1]或?qū)⒁延械木垲愃惴ǜ倪M(jìn)成性能更優(yōu)的聚類算法[11,19,39]。傳統(tǒng)的這些優(yōu)化方法即在聚類過程的某些步驟上進(jìn)行優(yōu)化，提升聚類過程中某個(gè)步驟的性能，達(dá)到優(yōu)化整個(gè)聚類方法的目的。圖2-5傳統(tǒng)服務(wù)聚類優(yōu)化策略

【參考文獻(xiàn)】：
期刊論文
[1]基于主題模型的Mashup標(biāo)簽推薦方法[J]. 劉建勛,石敏,周棟,唐明董,張婷婷.  計(jì)算機(jī)學(xué)報(bào). 2017(02)



本文編號(hào)：2954128