.png){kind=icon}
返回
Function-Guided Extended Latent Dirichlet Allocation Model for Complementary Cloud API Recommendation in Mashup Development
.png){kind=icon}
PRE
AI
DOI：10.1002/smr.70078.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在云计算时代，云应用程序编程接口（API）作为服务交付、能力复制和数据输出的最佳载体，已成为面向服务的软件开发的核心理念。现有的云API推荐方法遵循一种通用范式：利用感知服务质量（QoS）和关键词匹配来生成高质量的单功能结果，同时忽视了面向服务的软件开发中对功能引导互补云API的客观需求。功能引导的互补云API推荐旨在生成与给定功能的API频繁协同调用的云API，从而满足开发者的共同利益。为此，我们提出了一种功能引导的扩展潜在狄利克雷分配（ELDA）模型用于互补云API推荐。具体而言，我们首先分析来自云API生态系统的真实数据，以阐明互补云API推荐的必要性以及这些API中头部效应的客观存在。然后，我们将功能与云API之间的互补关系概念化，将功能视为文档，相应的云API作为该文档中的词汇。此外，我们通过引入两个额外因素扩展了经典的潜在狄利克雷分配模型：（1）云API流行度；（2）功能敏感性。这些因素旨在捕捉互补云API中的头部效应。此外，我们使用各自的正负语料库分别训练了正负ELDA模型。进一步地，通过整合正负ELDA模型的结果生成与目标功能相关的互补云API。最后，我们在两个真实世界的云API数据集上进行了实验。结果表明，ELDA的性能优于比较方法。超参数敏感性分析和案例研究进一步验证了ELDA的有效性和实用性。
Keyword:
API popularity
cloud API recommendation
functional complementarity
functional sensitivity
latent Dirichlet allocation
期刊
J
IF:
1.8
论文数:
69
被引数:
1.5K
机构
引用论文
QoS Prediction for Service Recommendation with Deep Feature Learning in Edge Computing Environment
PREAI
分享收藏
分享收藏Training and testing of recommender systems on data missing not at random.png)
Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容