基于多层双图神经网络的Web API服务推荐模型SAC-GNN研究

【编辑推荐】针对Web API服务推荐中交互关系稀疏、单层图学习不足的难题，研究人员提出多层双图神经网络框架SAC-GNN。该模型通过构建MAIG（mashup-API调用图）和ATCG（API-标签关联图）双图结构，结合交互注意力机制捕获跨层协作信号，实验显示其HR@10、NDCG@20等指标显著提升7.5%-8.2%，为服务计算领域提供高效推荐新范式。

　　

随着服务计算技术的成熟，基于Web API的mashup开发模式因其高效性广受青睐。然而，候选服务的爆炸式增长使得开发者面临"选择困难症"——传统推荐方法要么割裂训练目标，要么因稀疏矩阵难以捕捉潜在调用关系，更忽视了mashup与API间的交互结构。这些缺陷导致推荐系统优化受阻，亟需能融合多维信息并深度挖掘服务关联的新方法。

中国的研究团队创新性地将图神经网络(GNN)引入该领域，提出SAC-GNN框架。该模型突破性地构建双图结构：MAIG精确刻画mashup与API的调用关系，ATCG则通过标签关联弥补稀疏性问题。针对单层GNN难以捕捉远距离协作信号的局限，团队设计多层架构并辅以交互注意力机制，有效缓解过平滑现象。实验证实，该框架在真实数据集上HR@10等关键指标提升超7%，相关代码已在GitHub开源。

关键技术包括：1) 基于真实mashup-API调用数据构建双图结构；2) 多层GNN嵌入传播算法；3) 跨层交互注意力权重计算；4) 端到端特征融合技术。

【Service Representation and Service Recommendation】
研究指出传统方法依赖文本向量化或矩阵分解，难以捕捉非线性的服务关联。SAC-GNN通过双图结构整合调用关系与功能标签，为服务表征提供新思路。

【SAC-GNN Architecture】
模型核心包含三大创新：MAIG-ATCG双图构建实现信息互补；多层传播机制捕获高阶协作信号；层间注意力权重动态调整节点表征，最终融合服务特征实现端到端推荐。

【Experiments and Analysis】
在真实数据集测试中，SAC-GNN的HR@10达0.752，较最优基线提升7.5%。消融实验验证双图结构和注意力机制分别贡献3.2%和2.8%的性能增益。

【Conclusion and Future Work】
该研究证实了GNN在服务推荐中的优越性，特别是多层架构对深层关系的学习能力。未来可探索动态图更新机制以适应实时变化的服务生态。

这项发表于《Expert Systems with Applications》的工作，不仅为服务推荐提供了新工具，其双图融合思想和抗过平滑策略对推荐系统领域具有普适性参考价值。团队公开的代码和数据集将进一步推动相关研究发展。