基于BTM主题模型的Web服务聚类方法研究

计算机工程与科学

基于BTM主题模型的Web服务聚类方法研究

陈婷1,2,刘建勋1,2,曹步清1,2,李润2

(1.湖南科技大学知识处理与网络化制造湖南省普通高校重点实验室,湖南湘潭 411201;

2.湖南科技大学计算机科学与工程学院,湖南湘潭 411201)

收稿日期:2018-05-11 修回日期:2018-07-18 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
国家自然科学基金（61572187,61402168）;湖南省教育厅创新平台开放基金(17K033)

Web services clustering based on Biterm topic model

CHEN Ting1,2,LIU Jianxun1,2,CAO Buqing1,2,LI Run2

(1.Key Laboratory of Knowledge Processing & Networked Manufacturing,

Hunan University of Science and Technology,Xiangtan 411201;

2.School of Computer Science and Engineering,Hunan University of Science and Technology,Xiangtan 411201,China)

Received:2018-05-11 Revised:2018-07-18 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

针对网络中海量的Web服务聚类时,因其表征数据稀疏而导致使用传统建模方法所获效果不理想的问题,提出了一种基于BTM主题模型的Web服务聚类方法。该方法首先利用BTM学习整个Web服务描述文档集的隐含主题,通过推理得出每篇文档的主题分布,然后应用KMeans算法对Web服务进行聚类。通过与LDA、TFIDF等方法进行对比发现,该方法在聚类纯度、熵和FMeasure指标上均具有更好的效果。实验表明，该方法能够有效解决因Web服务描述所具有的短文本性质而导致的数据稀疏性问题,可显著提高服务聚类效果。

关键词: Web服务, BTM主题模型, 短文本, Web服务聚类

Abstract:

It is not ideal for the huge number of Web services with data sparseness to use traditional modeling methods to cluster them. To solve this problem, we present a Web service clustering method based on the Biterm topic model (BTM). This method firstly employs the BTM to learn the latent topics of Web service description corpus. Secondly, it derives the topic distribution of each Web service. Finally, it uses the K-Means algorithm to cluster Web services. Compared with the LDA and TF-IDF clustering methods, the proposed approach achieves better performance in purity, entropy and F-measure. Our method can effectively solve the data sparseness problem caused by the short text nature of Web service description, and significantly improve service clustering.

Key words: Web service, Biterm topic model, short text, Web services clustering

陈婷1,2,刘建勋1,2,曹步清1,2,李润2. 基于BTM主题模型的Web服务聚类方法研究[J]. 计算机工程与科学.

CHEN Ting1,2,LIU Jianxun1,2,CAO Buqing1,2,LI Run2.

Web services clustering based on Biterm topic model

[J]. Computer Engineering & Science.

[1]	王钦晨, 段利国, 王君山, 张昊妍, 郜浩. 基于BERT字句向量与差异注意力的短文本语义匹配策略[J]. 计算机工程与科学, 2024, 46(07): 1321-1330.
[2]	李晓红, 王闪闪, 马堉银, 马慧芳. 融合相似度图和随机游走模型的多标签短文本分类算法[J]. 计算机工程与科学, 2021, 43(06): 1081-1087.
[3]	韩肖赟,侯再恩,孙绵. 主题模型在短文本上的应用研究[J]. 计算机工程与科学, 2020, 42(01): 144-152.
[4]	刘婷1,2,杨秋翔1. 基于混沌机制与Levy变异烟花算法的服务组合优化[J]. 计算机工程与科学, 2019, 41(09): 1618-1626.
[5]	蔡晨1,2，罗可1,2 . 融合BTM和图论的微博检索模型[J]. 计算机工程与科学, 2019, 41(08): 1512-1518.
[6]	何娟娟1,刘冬梅1,朱鸿2,杜益宁1,周子健1,郑小宇1. 面向Web服务测试的单线执行序列生成方法[J]. 计算机工程与科学, 2019, 41(06): 1034-1043.
[7]	龚文聪1，袁景凌1,2，陈旻骋1，向尧1,赵子康1. 基于用户体验延迟的QoE层次评估模型[J]. 计算机工程与科学, 2019, 41(03): 479-484.
[8]	裴颂文1,2，王露露1. 基于注意力机制的文本情感倾向性研究[J]. 计算机工程与科学, 2019, 41(02): 343-353.
[9]	脱婷1，马慧芳1,2，魏家辉1，刘海姣1. 基于语义特征空间上下文的短文本表示学习[J]. 计算机工程与科学, 2019, 41(02): 378-384.
[10]	马慧芳1,2，邢玉莹1，王双1，张旭鹏1. 融合词语共现距离和类别信息的短文本特征提取方法[J]. 计算机工程与科学, 2018, 40(09): 1689-1695.
[11]	李晓红，冉宏艳，龚继恒，颜丽，马慧芳. 基于改进相似度与类中心向量的半监督短文本聚类算法[J]. 计算机工程与科学, 2018, 40(09): 1710-1716.
[12]	郭雪1，李铮2，张贺3，荣国平3，文俊浩1. Web服务组合策略研究及组合决策平台实现[J]. 计算机工程与科学, 2018, 40(08): 1358-1365.
[13]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[14]	刘文1,马慧芳1,2,脱婷1,陈海波1. 融合共现距离和区分度的短文本相似度计算方法[J]. 计算机工程与科学, 2018, 40(07): 1281-1286.
[15]	赵谦1，荆琪1，李爱萍1，2，段利国1. 一种基于语义与句法结构的短文本相似度计算方法[J]. 计算机工程与科学, 2018, 40(07): 1287-1294.