基于BTM和GPU-DMM主题模型的Web服务推荐方法研究

发布时间：2023-09-14 00:21

　　随着面向服务体系结构(SOA)的普及,Web服务数量正在迅速增加,同时导致Internet上存在许多功能类似的服务。这种情况使得用户难以针对给定的应用环境选择期望的Web服务。先前的研究表明,服务推荐技术可以通过用户需求和相关服务之间的精确匹配来有效地解决这一问题。在过去,概率主题模型已经被广泛用于研究从文本服务描述和用户需求挖掘功能语义,然后将其用于功能属性匹配和服务推荐。然而,传统的主题模型(例如,LDA)在具有语义稀疏性的短文本上表现不佳,因此对通常具有有限数量单词的Web服务进行建模也是如此。为了解决上述问题,本文试图采用合适的主题模型,以便从短文本性质的Web服务描述中有效地引出语义,并结合Web服务推荐的多维有用特征,将其集成到深度因子分解模型中,进行有效推荐。本文的贡献总结如下:1、我们提出了一种基于BTM(Biterm Topic Model)主题模型的Web服务聚类方法。该方法首先对Web服务描述文本进行去噪预处理,然后利用BTM主题模型的词对共现模式学习整个Web服务描述文档集的隐含主题,为每篇文档生成主题分布,并使用Gibbs采样方法求解参数。接着利用JS距离计算...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文的主要贡献
    1.4 论文的组织结构
第二章 理论基础与相关技术
    2.1 WEB服务基础知识
        2.1.1 Web服务基本架构
        2.1.2 Web服务标准和协议
    2.2 MASHUP服务相关知识
    2.3 WEB服务推荐方法综述
        2.3.1 基于内容的推荐方法
        2.3.2 基于协同过滤的推荐方法
        2.3.3 混合推荐方法
    2.4 相似度计算方法
    2.5 聚类方法
        2.5.1 聚类算法分类
        2.5.2 Web服务在计算中的聚类应用
    2.6 词嵌入技术
        2.6.1 词表示
        2.6.2 Word2vec
    2.7 本章小结
第三章 基于BTM主题模型的WEB服务聚类方法研究
    3.1 研究背景
    3.2 概率主题模型
        3.2.1 LDA主题模型
        3.2.2 BTM主题模型
    3.3 基于BTM模型的WEB服务聚类
        3.3.1 数据预处理
        3.3.2 BTM主题模型构建
        3.3.3 相似性度量
        3.3.4 Web服务聚类
        3.3.5 算法复杂度分析
    3.4 实验与分析
        3.4.1 实验设置
        3.4.2 实例描述
        3.4.3 评估指标
        3.4.4 比较方法
        3.4.5 结果分析
    3.5 本章小结
第四章 基于GPU-DMM主题模型的WEB服务推荐方法研究
    4.1 研究背景
    4.2 基于词向量的短文本主题模型
        4.2.1 语义相关知识获取
        4.2.2 GPU-DMM模型
    4.3 推荐方法概述
        4.3.1 构建Web服务多维特征矩阵
        4.3.2 深度因子分解模型
    4.4 实验与分析
        4.4.1 数据集选取与实验设置
        4.4.2 评测指标
        4.4.3 方法比较
        4.4.4 主题数K影响
        4.4.5 推荐方法比较
        4.4.6 模型效率
    4.5 本章小结
第五章 总结和展望
    5.1 总结
    5.2 展望
参考文献
附录A 攻读学位期间发表的论文与科研成果清单
致谢



本文编号：3846187