.png){kind=icon}
.png){kind=icon}
返回
Long Tail and Composition-Supervised LightGCL for Interactive Web API Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1002/cpe.70738.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着Mashup技术的进步，可用的Web API数量逐年增加。因此，从众多选项中识别和选择合适的Web API仍然是一个具有挑战性的问题。为解决这一问题，引入了交互式Web API推荐以简化Web API选择过程，协助用户或开发者选择满足其业务或软件开发需求的Web API。尽管最近的基于图的表示学习方法推动了交互式Web API推荐的发展，但为Mashup和Web API生成准确表示仍然是一个挑战性问题。这主要是因为现有图模型难以应对Mashup-API交互的极端稀疏性和普遍的长尾分布，导致其性能受限。为提升推荐性能，我们提出了一种基于长尾和组合监督的LightGCL的交互式Web API推荐方法，命名为LTCS-LightGCL。LTCS-LightGCL利用一种简单而有效的图对比学习范式LightGCL，其中设计了长尾和组合监督学习以有效引导嵌入过程。在真实数据集上的大量实验表明，LTCS-LightGCL优于基线方法。模型的源代码可从https://github.com/IntelligentServiceLab/LTCS-LightGCL获取。
Keyword:
collaborative filtering
composition
LightGCL
long tail
mashup
web API recommendation
期刊
C
IF:
1.5
论文数:
473
被引数:
0