CN114741429A - 一种基于图神经网络的Web API关联模式挖掘方法 - Google Patents
一种基于图神经网络的Web API关联模式挖掘方法 Download PDFInfo
- Publication number
- CN114741429A CN114741429A CN202210420154.0A CN202210420154A CN114741429A CN 114741429 A CN114741429 A CN 114741429A CN 202210420154 A CN202210420154 A CN 202210420154A CN 114741429 A CN114741429 A CN 114741429A
- Authority
- CN
- China
- Prior art keywords
- graph
- web api
- neural network
- graph structure
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005065 mining Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图神经网络的Web API关联模式挖掘方法,包括以下步骤:S1、收集Web API数据集,并将其转化为异构图,将异构图输入图神经网络;S2、基于输入图神经网络的异构图,通过图神经网络进行多通道卷积操作得到若干第一图结构;S3、将若干第一图结构进行拼接堆叠,得到第二图结构;S4、将第二图结构输入图卷积神经网络得到分类结果,并根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于图神经网络的Web API关联模式挖掘方法。
背景技术
随着互联网的飞速发展,人与计算机的关系越来越密切,网络应用的数量也在不断增加。对于开发者来说,API(应用程序编程接口)调用已经成为软件开发中必不可少的方式,API通常是预定义的函数,它为应用程序和开发人员提供基于软件或硬件的访问一组例程,而无需访问源代码。使用API,开发人员不必了解软件内部工作机制的细节。随着越来越多的API服务在互联网上发布,如何向开发者推荐感兴趣且可信度高的API以构建高质量、可靠的软件系统成为一个具有挑战性的问题。
推荐系统的出现试图解决如何推荐API的问题。目前应用最广泛的推荐算法是基于协同过滤的推荐和基于内容的推荐。基于协同过滤(CF)的推荐用于预测和推荐。CF通过用户的历史行为分析用户的偏好,从而向用户推荐与用户口味相近的物品。协同过滤可以分为两类,一类是基于用户的协同过滤(user-based CF),它向用户推荐与其兴趣相似的感兴趣的物品。基于用户的CF的推荐结果反映了用户兴趣组中的热门项目。另一种是基于物品的协同过滤(item-based CF),它推荐与用户之前关注的物品相似的物品。这两种算法都反映了用户的偏好,但并没有挖掘出了API之间更多的潜在关系。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于图神经网络的Web API关联模式挖掘方法解决了不能挖掘出了Web API之间更多的潜在关系以用于用户推荐的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于图神经网络的WebAPI关联模式挖掘方法,包括以下步骤:
S1、收集Web API数据集,并将其转化为异构图,将异构图输入图神经网络;
S2、基于输入图神经网络的异构图,通过图神经网络进行多通道卷积操作得到若干第一图结构;
S3、将若干第一图结构进行拼接堆叠,得到第二图结构;
S4、将第二图结构输入图卷积神经网络得到分类结果,并根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
进一步地:所述步骤S1中,异构图包括节点和边;所述节点的类型包括用户、WebAPI和公司;所述边的类型包括Web API-用户、用户-Web API、Web API-公司、公司-WebAPI。
进一步地:所述步骤S1中,将Web API数据集转化为异构图的方法具体为:
通过bag-of-words将Web API数据集中Web API的介绍文档进行统计,进而构造出文档词典,并筛选出文档词典中的高频词汇,根据Web API与用户、Web API与公司以及WebAPI与高频词汇建立节点特征表示,根据节点特征表示构建异构图;
所述异构图A=(V,E),其中V为节点的集合,E为边的集合。
上述进一步方案的有益效果为:通过bag-of-words可以将Web API的介绍文档进行统计,从而构造出这些文档的词典,并筛选出这些文档中出现的高频词汇,接下来,通过筛选每个Web API的介绍文档中是否存在词典中的高频词汇,从而将每篇文章与对应的词汇联系起来,建立起高频词汇与文档之间的矩阵。本发明分别将Web API与用户、Web API与公司以及Web API与高频词汇联系起来,作为节点特征表示。
进一步地:所述步骤S2中,多通道卷积中的每个通道均为1×1卷积,所述第一图结构具体为元路径的邻接矩阵;
得到第一图结构Q的表达式具体为:
Q=Φ(A;softmax(WΦ))
式中,Φ为多通道卷积的卷积层,WΦ为卷积层参数,softmax(·)为第一激活函数,A为异构图。
上述进一步方案的有益效果为:图神经网络可以通过多通道卷积学习关于任意边类型和任意路径长度的元路径,生成第一图结构。
进一步地:所述步骤S3具体为:将构成第一图结构的元路径的邻接矩阵进行拼接堆叠,得到第二图结构,其中,第二图结构中元路径的邻接矩阵Ap的表达式具体为:
上述进一步方案的有益效果为:第二图结构中包括由第一图结构元路径的邻接矩阵拼接堆叠得到的邻接矩阵Ap,根据邻接矩阵Ap可以通过图卷积神经网络可以得到更有用的节点表示,以用于节点分类。
进一步地:所述步骤S4包括以下分步骤:
S41、将第二图结构输入图卷积神经网络,学习第二图结构元路径的邻接矩阵,得到节点表示;
S42、根据节点表示对节点进行分类,得到分类结果,根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
进一步地:所述步骤S41中,计算节点表示Z的表达式具体为:
式中,∏为连接操作符,i为第二图结构中通道序数,c为第二图结构中通道总数,为第二图结构中第i个通道的中间矩阵,其表达式具体为 为的度矩阵,为第二图结构中第i个通道的邻接矩阵,I为单位矩阵,X为第二图结构的特征矩阵,W为跨通道共享的可训练权重矩阵,σ(·)为第二激活函数。
本发明的有益效果为:本发明提出了对于节点特征表示问题,在Web API数据集里的每个Web API有一个介绍,所以可以通过bag-of-words可以将Web API的介绍文档进行统计,从而构造出这些文档的词典,并筛选出这些文档中出现的高频词汇,从而建立了节点特征表示的异构图。通过Graph Transformer Network这一技术,将数据集转换为图的表示方式可以学习到Web API数据集的更准确的表示,从而使得分类的效果也更加准确。
本发明提出的图神经网络是通过多通道卷积操作选择出多个第一图结构的元路径的邻接矩阵,从而使用这些元路径的邻接矩阵去生成第二图结构。
附图说明
图1为本发明的流程图。
图2为本发明的整体框架图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,在本发明的一个实施例中,一种基于图神经网络的Web API关联模式挖掘方法,包括以下步骤:
S1、收集Web API数据集,并将其转化为异构图,将异构图输入图神经网络(GraphTransformer Network);
S2、基于输入图神经网络的异构图,通过图神经网络进行多通道卷积操作得到若干第一图结构;
S3、将若干第一图结构进行拼接堆叠,得到第二图结构;
S4、将第二图结构输入图卷积神经网络(GCN)得到分类结果,并根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
所述步骤S1中,异构图包括节点和边;所述节点的类型包括用户、Web API和公司;所述边的类型包括Web API-用户、用户-Web API、Web API-公司、公司-Web API。
所述步骤S1中,将Web API数据集转化为异构图的方法具体为:
通过bag-of-words将Web API数据集中Web API的介绍文档进行统计,进而构造出文档词典,并筛选出文档词典中的高频词汇,根据Web API与用户、Web API与公司以及WebAPI与高频词汇建立节点特征表示,根据节点特征表示构建异构图;
所述异构图A=(V,E),其中V为节点的集合,E为边的集合。
在本实施例中,本发明使用了bag-of-words这一方法。bag-of-words是一种较为常见的文本表示方法,多用于信息检索领域,具体来说,对于一个文档,bag-of-words会忽略掉其中的单词顺序、语法等因素,它将文档单纯看作是一些词汇的集合,而且,这些词汇之间是独立存在的,它们之间没有依赖关系,我们通过统计文档中出现的单词,构建一个包括这些单词的字典,假设该字典内有N个单词,那我们可以将文档表示为一个N维向量,进而通过这些向量以进行文本的分类:
本发明在Web API的推荐问题中将Web API的数据集转换为异构图的表示方式,即将本文的数据集转换为邻接矩阵的表示方式。
所述步骤S2中,多通道卷积中的每个通道均为1×1卷积,所述第一图结构具体为元路径的邻接矩阵;
得到第一图结构Q的表达式具体为:
Q=Φ(A;softmax(WΦ))
式中,Φ为多通道卷积的卷积层,WΦ为卷积层参数,softmax(·)为第一激活函数,A为异构图。
图神经网络可以通过多通道卷积学习关于任意边类型和任意路径长度的元路径,生成第一图结构。
图神经网络的目标是生成新的图结构并同时学习图上的节点表示。目前大多数图相关的网络主要用来处理同构图上的问题,本发明的图神经网络是通过多通道卷积操作选择出多个第一图结构,所述第一图结构具体为元路径的邻接矩阵,并根据元路径的邻接矩阵得到第二图结构。
所述步骤S3具体为:将构成第一图结构的元路径的邻接矩阵进行拼接堆叠,得到第二图结构,其中,第二图结构中元路径的邻接矩阵Ap的表达式具体为:
在本实施例中,第二图结构中包括由第一图结构元路径的邻接矩阵拼接堆叠得到的邻接矩阵Ap。
所述步骤S4包括以下分步骤:
S41、将第二图结构输入图卷积神经网络,学习第二图结构元路径的邻接矩阵,得到节点表示;
在本实施例中,图卷积神经网络用来以一种自动生成元路径的方式来学习图上有用的节点表示,设H(l)为GCN中第l层的特征表示,那么该层的前向传播表示的表达式为:
S42、根据节点表示对节点进行分类,得到分类结果,根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
所述步骤S41中,计算节点表示Z的表达式具体为:
式中,∏为连接操作符,i为第二图结构中通道序数,c为第二图结构中通道总数,为第二图结构中第i个通道的中间矩阵,其表达式具体为 为的度矩阵,为第二图结构中第i个通道的邻接矩阵,I为单位矩阵,X为第二图结构的特征矩阵,W为跨通道共享的可训练权重矩阵,σ(·)为第二激活函数。
在本实施例中,节点表示Z具体为C个不同元路径的的第二图结构节点表示,其长度最多为l+1,根据节点表示Z对节点进行分类,从而进行后续的节点推荐。
如图2所示,本发明的方法的实施过程为:本发明将用户、Web API和Web API所在的公司作为输入图神经网络的节点,将Web API-用户、用户-Web API、Web API-公司、公司-Web API作为边类型,图神经网络会对输入的图进行多通道卷积操作,从而自动生成元路径的邻接矩阵,并将其作为第一图结构,将第一图结构进行拼接堆叠,可以生成新的元路径,并将新的元路径的邻接矩阵作为第二图结构,将第二图结构通过图卷积神经网络进行分类,得到第二图结构中节点表示,从而进行后续的节点分类与推荐,完成Web API关联模式的挖掘。
如表1所示,d为训练集和测试集的比例,训练集为Web API数据集的节点,测试集为经过图神经网络和图卷积神经网络处理Web API数据集后得到的节点,MAE为平均绝对误差,RMSE为均方根误差。
表1实验结果
本发明的有益效果为:本发明提出了对于节点特征表示问题,在Web API数据集里的每个Web API有一个介绍,所以可以通过bag-of-words可以将Web API的介绍文档进行统计,从而构造出这些文档的词典,并筛选出这些文档中出现的高频词汇,从而建立了节点特征表示的异构图。
本发明提出的图神经网络是通过多通道卷积操作选择出多个第一图结构的元路径的邻接矩阵,从而使用这些元路径的邻接矩阵去生成第二图结构。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (7)
1.一种基于图神经网络的Web API关联模式挖掘方法,其特征在于,包括以下步骤:
S1、收集Web API数据集,并将其转化为异构图,将异构图输入图神经网络;
S2、基于输入图神经网络的异构图,通过图神经网络进行多通道卷积操作得到若干第一图结构;
S3、将若干第一图结构进行拼接堆叠,得到第二图结构;
S4、将第二图结构输入图卷积神经网络得到分类结果,并根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
2.根据权利要求1所述的基于图神经网络的Web API关联模式挖掘方法,其特征在于,所述步骤S1中,异构图包括节点和边;所述节点的类型包括用户、Web API和公司;所述边的类型包括Web API-用户、用户-Web API、Web API-公司、公司-Web API。
3.根据权利要求2所述的基于图神经网络的Web API关联模式挖掘方法,其特征在于,所述步骤S1中,将Web API数据集转化为异构图的方法具体为:
通过bag-of-words将Web API数据集中Web API的介绍文档进行统计,进而构造出文档词典,并筛选出文档词典中的高频词汇,根据Web API与用户、Web API与公司以及Web API与高频词汇建立节点特征表示,根据节点特征表示构建异构图;
所述异构图A=(V,E),其中V为节点的集合,E为边的集合。
4.根据权利要求1所述的基于图神经网络的Web API关联模式挖掘方法,其特征在于,所述步骤S2中,多通道卷积中的每个通道均为1×1卷积,所述第一图结构具体为元路径的邻接矩阵;
得到第一图结构Q的表达式具体为:
Q=Φ(A;softmax(WΦ))
式中,Φ为多通道卷积的卷积层,WΦ为卷积层参数,softmax(·)为第一激活函数,A为异构图。
6.根据权利要求5所述的基于图神经网络的Web API关联模式挖掘方法,其特征在于,所述步骤S4包括以下分步骤:
S41、将第二图结构输入图卷积神经网络,学习第二图结构元路径的邻接矩阵,得到节点表示;
S42、根据节点表示对节点进行分类,得到分类结果,根据分类结果对用户进行推荐,完成Web API关联模式的挖掘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420154.0A CN114741429A (zh) | 2022-04-20 | 2022-04-20 | 一种基于图神经网络的Web API关联模式挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420154.0A CN114741429A (zh) | 2022-04-20 | 2022-04-20 | 一种基于图神经网络的Web API关联模式挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741429A true CN114741429A (zh) | 2022-07-12 |
Family
ID=82283966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420154.0A Pending CN114741429A (zh) | 2022-04-20 | 2022-04-20 | 一种基于图神经网络的Web API关联模式挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741429A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896514A (zh) * | 2022-07-14 | 2022-08-12 | 西安电子科技大学 | 一种基于图神经网络的Web API标签推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591988A (zh) * | 2012-01-16 | 2012-07-18 | 宋胜利 | 基于语义图的短文本分类方法 |
CN105354327A (zh) * | 2015-11-26 | 2016-02-24 | 中山大学 | 一种基于大数据分析的接口api推荐方法及系统 |
CN111737551A (zh) * | 2020-05-26 | 2020-10-02 | 国家计算机网络与信息安全管理中心 | 一种基于异构图注意力神经网络的暗网线索检测方法 |
CN113220886A (zh) * | 2021-05-31 | 2021-08-06 | 马上消费金融股份有限公司 | 文本分类方法、文本分类模型训练方法及相关设备 |
-
2022
- 2022-04-20 CN CN202210420154.0A patent/CN114741429A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591988A (zh) * | 2012-01-16 | 2012-07-18 | 宋胜利 | 基于语义图的短文本分类方法 |
CN105354327A (zh) * | 2015-11-26 | 2016-02-24 | 中山大学 | 一种基于大数据分析的接口api推荐方法及系统 |
CN111737551A (zh) * | 2020-05-26 | 2020-10-02 | 国家计算机网络与信息安全管理中心 | 一种基于异构图注意力神经网络的暗网线索检测方法 |
CN113220886A (zh) * | 2021-05-31 | 2021-08-06 | 马上消费金融股份有限公司 | 文本分类方法、文本分类模型训练方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
刘宏志等: "《推荐系统》", 31 May 2020 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896514A (zh) * | 2022-07-14 | 2022-08-12 | 西安电子科技大学 | 一种基于图神经网络的Web API标签推荐方法 |
CN114896514B (zh) * | 2022-07-14 | 2022-09-30 | 西安电子科技大学 | 一种基于图神经网络的Web API标签推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
Darban et al. | GHRS: Graph-based hybrid recommendation system with application to movie recommendation | |
CN111061856B (zh) | 一种基于知识感知的新闻推荐方法 | |
CN109325875B (zh) | 基于在线社交用户隐特征的隐式群体发现方法 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN112699215B (zh) | 基于胶囊网络与交互注意力机制的评级预测方法及系统 | |
CN110705821A (zh) | 基于多评价维度的热点学科预测方法、装置、终端、及介质 | |
Liu et al. | PHD: A probabilistic model of hybrid deep collaborative filtering for recommender systems | |
Alhamdani et al. | Recommender system for global terrorist database based on deep learning | |
Vilakone et al. | Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain | |
CN114491263A (zh) | 推荐模型训练方法及装置、推荐方法及装置 | |
CN112085158A (zh) | 一种基于堆栈降噪自编码器的图书推荐方法 | |
CN114741429A (zh) | 一种基于图神经网络的Web API关联模式挖掘方法 | |
US20190324957A1 (en) | Accessing data in a multi-level display for large data sets | |
CN112651487B (zh) | 基于图坍缩卷积神经网络的数据推荐方法、系统及介质 | |
CN104035978A (zh) | 社团发现方法及系统 | |
Dridi et al. | Exploiting context-awareness and multi-criteria decision making to improve items recommendation using a tripartite graph-based model | |
Czasonis et al. | Relevance-Based Prediction: A Transparent and Adaptive Alternative to Machine Learning. | |
Wang et al. | Fast and approximate exhaustive variable selection for generalised linear models with APES | |
Khalid et al. | Scalable and practical One-Pass clustering algorithm for recommender system | |
CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
CN115757897A (zh) | 一种基于知识图卷积网络的文化资源智能推荐方法 | |
CN114491296A (zh) | 提案联名人推荐方法、系统、计算机设备及可读存储介质 | |
Lo et al. | PPNW: personalized pairwise novelty loss weighting for novel recommendation | |
CN115705384A (zh) | 基于知识图谱融合的解耦推荐方法、系统、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220712 |