CN104008195A - 面向服务组合的服务推荐方法 - Google Patents

Abstract

本发明提供一种面向服务组合的服务推荐方法，该方法对服务生态***进行形式化建模，综合考量服务生态***中时间演化信息、服务组合的功能需求描述以及服务的特征描述三方面的信息，计算出服务生态***中所有服务与用户要构建的服务组合的总体匹配度，并根据总体匹配度降序排序生成服务推荐列表推荐给用户，方便用户选择出合适的服务以构建服务组合。

Description

面向服务组合的服务推荐方法

技术领域

本发明涉及计算机***建模以及数据分析领域。尤其涉及一种面向服务组合的服务推荐方法。

背景技术

目前，随着面向服务的体系架构(Service Oriented Architecture，SOA)的兴起，互联网上Web服务的数量和种类剧增。为了实现Web服务的增值，服务组合技术(Mashup)应运而生。用户利用服务组合技术可以根据需求将不同的服务联合在一起，实现了服务的功能扩展，并提高了重用性和降低了开发成本。因此，目前大多数的服务生态***聚合了大量的Web服务以及服务组合，以满足不同的需求。例如ProgrammableWeb，为用户提供一个发布Open API和使用API构建Mashup的平台，截止2013年3月27日已经形成了一个包含8826个Web服务，7006个服务组合以及超过2500位活跃用户的Open API的服务生态***。

尽管大多的服务生态***提供了海量的服务以及服务组合，然而，对于用户们而言，从服务生态***中搜寻出满足需求的服务以构建服务组合的难度却大大增加。现有的服务推荐方法一般从内容匹配和服务质量(Quality of Service，QoS)两个角度进行分析，然而，服务生态***在本质上是随着时间动态演化的，在不同时间段内，服务被服务组合调用的情况不尽相同。具体的，服务生态***的时间演化信息包括所有服务在不同时刻被服务组合调用的信息。另外，在实际开发过程中，用户构建服务组合的需求与服务生态***中的时间演化信息有某种关联，用户们要构建的服务组合所需要的服务极有可能是在之前的一个时间段内被频繁调用的服务。

发明内容

鉴于上述内容，有必要提供一种面向服务组合的服务推荐方法，能够在用户构建服务组合时，结合时间演化信息，从服务生态***中，推荐出满足用户要构建的服务组合的功能需求的服务。

一种面向服务组合的推荐方法，该方法包括：形式化建模步骤，利用网络从互联网上获取服务生态***所包含的服务、服务组合和服务与服务组合的历史调用关系的数据，并根据所获取的数据利用集合方法对服务生态***的拓扑结构、服务的内容描述、服务组合的内容描述以及时间演化信息分别进行形式化建模；输入步骤，接收用户所输入的文字信息，所输入的文字信息描述要构建的服务组合的功能需求，以词集合Q＝{q₁,q₂,…,q_i,…q_n}表示输入的文字信息；活跃度计算步骤：根据时间演化信息的形式化描述，利用LDA话题模型(LatentDirichlet Allocation，隐狄利克雷分布)计算出包含t个时间粒度的话题活跃度矩阵及关联度矩阵，并计算服务生态***中每个服务在下一时间粒度t+1下的活跃度；组合概率计算步骤，根据所形式化建模出的服务组合的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的组合概率；语义匹配度计算步骤，根据所形式化建模出的服务的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的语义匹配度；总体匹配度计算步骤，对所计算出的每个服务在下一时间粒度t+1下的活跃度、每个服务与要构建的服务组合的组合概率以及每个服务与要构建服务组合的语义匹配度进行加权运算，计算服务生态***中每个服务与用户要构建的服务组合的总体匹配度；生成步骤，根据所述总体匹配度对服务生态***中的所有服务进行排序，生成服务推荐列表推荐给用户。

相比于现有技术，本发明所述的面向服务组合的服务推荐方法，对服务生态***进行形式化建模，综合考量服务生态***中时间演化信息、服务组合的功能需求描述以及服务的特征描述三方面的信息，计算出服务生态***中所有服务与要构建的服务组合的总体匹配度，并根据总体匹配度降序排序，生成服务推荐列表推荐给用户，方便用户选择出合适的服务以构建服务组合。

附图说明

图1是本发明面向服务组合的服务推荐***的应用环境图。

图2是本发明面向服务组合的服务推荐方法的实施例的流程图。

图3是图2所示步骤S01的细化流程图。

主要元件符号说明

计算装置	1
		存储器	10
处理器	20
		面向服务组合的服务推荐***	30
客户端	2
		形式化建模模块	300
接收模块	301
		计算模块	302
生成模块	303

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

如图1所示，是本发明面向服务组合的服务推荐***的应用环境图。所述面向服务组合的服务推荐***30应用于计算装置1中根据用户输入的信息生成服务推荐列表推荐给用户，方便用户选择出合适的服务以构建服务组合。该计算装置1还包括存储器10及处理器20，该计算装置1还与多个客户端2相连。所述客户端2用于将生成服务推荐列表推荐给用户。

所述计算装置1可以是电脑、服务器等。所述客户端2可以是电脑、手机、PDA(Personal Digital Assistant，个人数字助理)等。

所述面向服务组合的服务推荐***30由一个或者多个模块构成，所述模块包括、形式化建模模块300、接收模块301、计算模块302及生成模块303，所述模块的功能将在后续中详述。

如图2所示，是本发明面向服务组合的服务推荐方法的实施例的流程图。根据不同需求，该流程图中步骤的顺序可以改变，某些步骤可以合并或省略。

步骤S01，形式化建模模块300利用网络从互联网上获取服务生态***所包含的服务、服务组合及服务与服务组合的历史调用关系的数据，并根据所获取的数据利用集合方法对服务生态***的拓扑结构、服务的内容描述、服务组合的内容描述以及时间演化信息分别进行形式化建模。

所述形式化建模是指利用数学建模方法对服务生态***进行的一种形式化描述。所述服务的内容描述包括服务的功能特征描述，所述服务组合的内容描述包括服务组合的功能需求描述，所述服务的功能特征描述是描述服务的功能特征的文本信息，所述服务组合的功能需求描述是描述服务组合的功能需求的文本信息，所述文本信息包括多个短语(或单词)。本实施例中，上述步骤S01利用集合方法对服务生态***的拓扑结构、内容描述以及时间演化信息三方面建模。以下，结合图3所示的步骤S01的细化流程图，详细说明对服务生态***的形式化建模。

步骤S101，利用集合方法对服务生态***的拓扑结构进行形式化建模。

以无向图G＝(M∪S,E)描述服务生态***的拓扑结构，其中，服务组合集合M＝{m₁,m₂,…,m_i…,m_n}表示服务生态***中所有服务组合m_i的集合，服务集合S＝{s₁,s₂,…,s_j…,s_n}表示服务生态***中所有服务s_j的集合，E＝{(m_i,s_j)|m_i∈M,s_j∈S}表示服务组合与服务之间的历史调用关系，即一个服务组合m_i调用过服务s_j， $E\⊆M\×S.$

步骤S102，利用集合方法对服务生态***的内容描述进行形式化建模。

服务组合词集合 $\mathrm{MW}\left(m_i\right)=\{w_1,w_2,...,w_{n_i},...,w_{n_m}\}$ 表示服务组合集合M中服务组合m_i的功能需求描述，其中，是描述服务组合m_i功能需求的一个短语，n_m为服务组合m_i的词集合MW(m_i)的元素个数，即描述服务组合m_i功能需求的短语的个数。

相应的，服务词集合 $\mathrm{SW}\left(s_j\right)=\{w_1,w_2,...,w_{n_j},...,w_{n_s}\}$ 表示服务集合S中服务s_j的功能特征描述，其中，是描述服务s_j功能特征的短语，n_s为服务s_j的词集合SW(s_j)的元素个数，即描述服务s_j功能特征的短语的个数。

步骤S103，利用集合方法对服务生态***的时间演化信息进行形式化建模。

调用历史集合H＝{(s_j,t,m_i)|s_j∈S,m_i∈M,t∈TG}表示在第t个时间粒度下服务s_j被服务组合m_i调用，其中，s_j为服务集合S中的任一元素，m_i为服务组合集合M中的任一元素，TG＝{1,2,…,t}是以特定的时间粒度(如天、星期、月等)计量时间的有序序列，1,2,t分别表示按照时间先后顺序排序的第一个时间粒度、第二个时间粒度以及第t个时间粒度，所述时间粒度可以是一天、一周、一个月、一季度等时间单位。在本实施例中，TG是以月为时间粒度时间序列，具体的，TG＝{1,2,…,12}，分别表示第一个月、第二个月直至第十二个月。

步骤S02，接收模块301接收用户所输入的文字信息，所输入的文字信息描述要构建的服务组合的功能需求。

所述所输入的文字信息是一组描述要构建的服务组合的功能需求的短语，具体的，在本实施例中，词集合Q＝{q₁,q₂,…,q_i,…q_n}表示用户所输入的文字信息。

步骤S03，计算模块302根据时间演化信息的形式化描述，利用LDA话题模型(Latent Dirichlet Allocation，隐狄利克雷分布)计算得到包含t个时间粒度的话题活跃度矩阵及关联度矩阵，计算服务生态***中所有服务在下一时间粒度t+1下的活跃度。

具体的，通过以下步骤计算所有服务在下一时间粒度的活跃度：

a.从调用历史集合H＝{(s_j,t,m_i)|s_j∈S,m_i∈M,t∈TG}中提取出各时间粒度t下服务使用历史集合ST(t)，表示在第t个时间粒度下服务生态***中被服务组合调用的所有服务，t_n表示在第t个时间粒度下被服务组合调用的所有服务的个数；

b.将时间序列TG＝{1,2,…,t}和每个时间粒度t对应的服务使用历史集合 $\mathrm{ST}\left(t\right)=\{s_1,s_2,...,s_{t_i},...,s_{t_n}\}$ 输入到LDA话题模型；

c.设定LDA话题模型的话题参数k，以吉布斯采样法(GibbsSampling)求解话题参数为k的LDA话题模型，输出话题活跃度矩阵θ和话题关联度矩阵φ，话题活跃度矩阵 $\mathrm{\θ}=\left(\begin{array}{c}{\mathrm{\θ}}_1\\ {\mathrm{\θ}}_2\\ ...\\ {\mathrm{\θ}}_i\\ ...\\ {\mathrm{\θ}}_t\end{array}\right)$ 表示话题随时间粒度变化的行向量矩阵，行向量θ_i表示第i个时间粒度下的话题活跃度，话题关联度矩阵φ＝(φ₁,φ₂,…,φ_i,…φ_n)表示每个服务与话题的关联度的列向量矩阵，列向量φ_i表示服务s_i与话题的关联度，其中，话题活跃度矩阵θ的行数等于时间序列TG的元素个数且行信息表示时间粒度，列数等于话题参数k且列信息表示话题，话题关联度矩阵φ的行数等于话题参数k且行信息表示话题，列数为历史集合H中被服务组合调用的服务的总数且列信息表示服务；

d.对话题活跃度矩阵θ中的t个行向量进行线性加权滑动平均，计算下一个时间粒度t+1的话题活跃度θ_t+1；

e.根据时间粒度为t+1的话题活跃度θ_t+1和话题关联度矩阵φ，计算服务生态***中每个服务s_j在下一个时间粒度t+1的活跃度p_TI(s_j,t+1)， $p_{\mathrm{TI}}(s_j,t+1)={\mathrm{\θ}}_{t+1}\left(\mathrm{\φ}{|}_{s_j}\right),$ 其中，为话题关联度矩阵φ中表示服务s_j与话题的关联度的列向量。

步骤S04，计算模块302根据所形式化建模出的服务组合的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的组合概率。

本实施例中，通过以下步骤计算服务生态***中每个服务与用户要构建的服务组合的组合概率：

a.将服务组合集合M＝{m₁,m₂,…,m_i…,m_n}和每个服务组合mi的服务组合词集合 $\mathrm{MW}\left(m_i\right)=\{w_1,w_2,...,w_{n_i},...,w_{n_m}\}$ 输入到LDA话题模型；

b.设定LDA话题模型的话题参数k，以吉布斯采样法求解话题参数为k的LDA话题模型，输出基于服务组合的话题矩阵θ′和基于服务组合的单词矩阵φ'， ${\mathrm{\θ}}^{\′}=\left(\begin{array}{c}{\mathrm{\θ}}_1^{\′}\\ {\mathrm{\θ}}_2^{\′}\\ ...\\ {\mathrm{\θ}}_i^{\′}\\ ...\\ {\mathrm{\θ}}_n^{\′}\end{array}\right)$ 是表示服务组合与话题的关联度的行向量矩阵，行向量θ'_i表示服务组合m_i与话题的关联度，φ'＝(φ'₁,φ'₂,…,φ'_j,…,φ'_n)是表示服务组合的功能需求描述与话题的关联度的列向量矩阵，列向量φ'_j表示服务组合的功能需求描述中的短语(或单词)w_j与话题的关联度，其中，基于服务组合的话题矩阵θ'的行数等于服务生态***中所有服务组合的个数且行信息表示服务组合，列数等于话题参数k且列信息表示话题，基于服务组合的单词矩阵φ'的行数等于话题参数k且行信息表示话题，列数等于所有服务组合的功能需求描述的短语(或单词)个数且列信息表示短语(或单词)；

c.根据基于服务组合的话题矩阵θ'和基于服务组合的单词矩阵φ'，计算服务生态***中每个服务组合m_i与用户要构建服务组合之间的功能需求相似度 $\sin (\stackrel{\‾}{m},m_i)=\underset{w_j=q_1}{\overset{q_n}{\mathrm{\Σ}}}\left({\mathrm{\φ}}^{\′}{|}_{w_j}\right)\left({\mathrm{\θ}}^{\′}{|}_{m_i}\right),$ 其中，m_i∈M，w_j∈Q，Q为用户要构建的服务组合的功能需求描述Q＝{q₁,q₂,…,q_i,…q_n}，为基于服务组合的单词矩阵φ'中表示短语w_j与话题的关联度的列向量，为基于服务组合的话题矩阵φ'中表示服务组合m_i与话题的关联度的行向量；

d.计算用户要构建的服务组合与服务生态***中每个服务s_j的组合概率 $p_{\mathrm{CF}}(s_j,\stackrel{\‾}{m})=\underset{m_i=m_1}{\overset{m_n}{\mathrm{\Σ}}}\mathrm{sim}(\stackrel{\‾}{m},m_i)y(m_i,s_j),$ 其中，m_i∈M，s_j∈S且

步骤S05，计算模块302根据所形式化建模出的服务的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的语义匹配度。

a.将服务集合S＝{s₁,s₂,…,s_j…,s_n}和每个服务s_j的服务词集合 $\mathrm{SW}\left(s_j\right)=\{w_1,w_2,...,w_{n_j},...,w_{n_s}\}$ 输入到LDA话题模型；

b.设定LDA话题模型的话题参数k，以吉布斯采样法求解话题参数为k的LDA话题模型，输出基于服务的话题矩阵θ″和基于服务的单词矩阵φ″， ${\mathrm{\θ}}^{\′\′}=\left(\begin{array}{c}{\mathrm{\θ}}_1^{\′\′}\\ {\mathrm{\θ}}_2^{\′\′}\\ ...\\ {\mathrm{\θ}}_i^{\′\′}\\ ...\\ {\mathrm{\θ}}_n^{\′\′}\end{array}\right)$ 是表示服务与话题的关联度的行向量矩阵，行向量θ″_i表示服务s_i与话题的关联度，φ″＝(φ″₁,φ″₂,…,φ″_j,…,φ″_n)是表示服务的功能特征描述与话题的关联度的列向量矩阵，列向量φ″_j表示服务的功能特征描述中的短语(或单词)w_j与话题的关联度，其中，基于服务的话题矩阵θ'的行数等于服务生态***中所有服务的个数且行信息表示服务，列数等于话题参数k且列信息表示话题，基于服务的单词矩阵φ'的行数等于话题参数k且行信息表示话题，列数等于所有服务的功能特征描述的短语(或单词)个数且列信息表示短语(或单词)；

c.根据基于服务的话题矩阵θ″和基于服务的单词矩阵φ″，计算服务生态***中每个服务s_j与用户要构建的服务组合的语义匹配度 $p_{\mathrm{CM}}(s_j,\stackrel{\‾}{m})=\underset{w_j=q_1}{\overset{q_n}{\mathrm{\Σ}}}\left({\mathrm{\φ}}^{\′\′}{|}_{w_j}\right)\left({\mathrm{\θ}}^{\′\′}{|}_{s_j}\right),$ 其中，s_j∈S，w_j∈Q，Q为用户要构建的服务组合的功能需求描述Q＝{q₁,q₂,…,q_i,…q_n}，为基于服务的单词矩阵φ″中表示短语w_j与话题的关联度的列向量，为基于服务的话题矩阵φ″中表示服务组合m_i与话题的关联度的行向量。

步骤S06，对上述步骤S03～S05计算出的每个服务在下一时间粒度t+1下的活跃度、每个服务与要构建的服务组合的组合概率以及每个服务与要构建服务组合的语义匹配度进行加权运算，计算服务生态***中每个服务与用户要构建的服务组合的总体匹配度。

在本实施例中，将上述步骤S03～S04计算出的每个服务在下一时间粒度的活跃度、每个服务与要构建的服务组合的组合概率以及每个服务与要构建服务组合的语义匹配度进行相乘，计算服务生态***中每个服务s_j与用户要构建的服务组合的总体匹配度 $p(s_j,\stackrel{\‾}{m})=p_{\mathrm{CF}}(s_j,\stackrel{\‾}{m})p_{\mathrm{CM}}(s_j,\stackrel{\‾}{m})p_{\mathrm{TI}}(s_j,t+1),$ 其中，s_j∈S。

具体的，的总体匹配度的值越大，表明服务s_j的执行功能与用户要构建的服务组合的功能需求越匹配，则可以将服务s_j添加至服务组合

步骤S07，生成模块303根据所述总体匹配度对服务生态***中的所有服务进行降序排序，生成服务推荐列表推荐给用户。

通过本发明，对服务生态***进行形式化建模，综合考量服务生态***中时间演化信息、服务组合的功能需求描述以及服务的特征描述三方面的信息，计算出服务生态***中所有服务与要构建的服务组合的匹配度，并根据匹配度排序形成服务推荐列表推荐给用户，方便用户选择出合适的服务以构建服务组合。

最后需要说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管按照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，都不应当脱离本发明技术方案的精神和保护范围。

Claims (6)

1.一种面向服务组合的服务推荐方法，其特征在于，该方法包括：

形式化建模步骤，利用网络从互联网上获取服务生态***所包含的服务、服务组合和服务与服务组合的历史调用关系的数据，并根据所获取的数据利用集合方法对服务生态***的拓扑结构、服务的内容描述、服务组合的内容描述以及时间演化信息分别进行形式化建模；

输入步骤，接收用户所输入的文字信息，所输入的文字信息描述要构建的服务组合的功能需求，以词集合Q＝{q₁,q₂,…,q_i,…q_n}表示输入的文字信息；

活跃度计算步骤，根据时间演化信息的形式化描述，利用LDA话题模型(Latent Dirichlet Allocation，隐狄利克雷分布)计算出包含t个时间粒度的话题活跃度矩阵及关联度矩阵，并计算服务生态***中每个服务在下一时间粒度t+1下的活跃度；

组合概率计算步骤，根据所形式化建模出的服务组合的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的组合概率；

语义匹配度计算步骤，根据所形式化建模出的服务的内容描述的形式化描述，利用LDA话题模型，计算服务生态***中每个服务与用户要构建的服务组合的语义匹配度；

总体匹配度计算步骤，对所计算出的每个服务在下一时间粒度t+1下的活跃度、每个服务与要构建的服务组合的组合概率以及每个服务与要构建服务组合的语义匹配度进行加权运算，计算服务生态***中每个服务与用户要构建的服务组合的总体匹配度；

生成步骤，根据所述总体匹配度对服务生态***中的所有服务进行排序，生成服务推荐列表推荐给用户。

2.如权利要求1所述的面向服务组合的服务推荐方法，其特征在于，所述形式化建模步骤包括：

无向图G＝(M∪S,E)描述服务生态***的拓扑结构，其中，服务组合集合M＝{m₁,m₂,…,m_i,…,m_n}表示服务生态***中所有服务组合m_i的集合，服务集合S＝{s₁,s₂,…,s_j,…,s_n}表示服务生态***中所有服务s_j的集合，E＝{(m_i,s_j)|m_i∈M,s_j∈S}表示服务组合与服务之间的历史调用关系，即一个服务组合m_i调用过服务s_j，

以服务组合词集合 $\mathrm{MW}\left(m_i\right)=\{w_1,w_2,...,w_{n_i},...,w_{n_m}\}$ 表示服务组合集合M中任一服务组合m_i的功能需求描述，其中，是描述服务组合m_i功能需求的短语，n_m为服务组合m_i的MW(m_i)的元素个数；

服务词集合 $\mathrm{SW}\left(s_i\right)=\{w_1,w_2,...,w_{n_i},...,w_{n_s}\}$ 表示服务集合S中任一服务s_i的功能特征描述，其中，是描述服务s_i功能特征的短语，n_s为服务s_i的SW(s_i)的元素个数；

调用历史集合H＝{(s_j,t,m_i)|s_j∈S,m_i∈M,t∈TG}表示服务s_j在时间粒度t被服务组合m_i调用，其中，s_j为服务集合S中的任一元素，m_i为服务组合集合M中的任一元素，TG＝{1,2,…,t}是以特定的时间粒度计量时间的有序序列。

3.如权利要求2所述的面向服务组合的服务推荐方法，其特征在于，所述活跃度计算步骤包括：

从调用历史集合H＝{(s_j,t,m_i)|s_j∈S,m_i∈M,t∈TG}中提取出各时间粒度下服务使用历史集合ST(t)，表示在第t个时间粒度下服务生态***中被服务组合调用的所有服务；

将时间序列TG＝{1,2,…,t}和每个时间粒度t对应的服务使用历史集合 $\mathrm{ST}\left(t\right)=\{s_1,s_2,...,s_{t_i},...,s_{t_n}\}$ 输入到LDA话题模型；

设定LDA话题模型的话题参数k，以吉布斯采样法求解话题参数为k的LDA话题模型，输出话题活跃度矩阵θ和话题关联度矩阵φ，其中，话题活跃度矩阵 $\mathrm{\θ}=\left(\begin{array}{c}{\mathrm{\θ}}_1\\ {\mathrm{\θ}}_2\\ ...\\ {\mathrm{\θ}}_i\\ ...\\ {\mathrm{\θ}}_t\end{array}\right)$ 是表示话题随时间粒度变化的行向量矩阵，行向量θ_i表示第i个时间粒度下的话题活跃度，话题关联度矩阵φ＝(φ₁,φ₂,…,φ_i,…φ_n)表示每个服务与话题的关联度的列向量矩阵，列向量φ_i表示服务s_i与话题的关联度；

对话题活跃度矩阵θ中的t个行向量进行线性加权滑动平均，计算下一个时间粒度t+1的话题活跃度θ_t+1；

根据时间粒度为t+1的话题活跃度θ_t+1和话题关联度矩阵φ，计算服务生态***中每个服务s_j在下一个时间粒度t+1的活跃度p_TI(s_j,t+1)， $p_{\mathrm{TI}}(s_j,t+1)={\mathrm{\θ}}_{t+1}\left(\mathrm{\φ}{|}_{s_j}\right),$ 其中，为话题关联度矩阵φ中表示服务s_j与话题的关联度的列向量。

4.如权利要求2所述的面向服务组合的服务推荐方法，其特征在于，所述组合概率计算步骤包括：

将服务组合集合M＝{m₁,m₂,…,m_i…,m_n}和每个服务组合m_i的服务组合词集合 $\mathrm{MW}\left(m_i\right)=\{w_1,w_2,...,w_{n_i},...,w_{n_m}\}$ 输入到LDA话题模型；

设定LDA话题模型的话题参数k，以吉布斯采样法求解话题参数为k的LDA话题模型，输出基于服务组合的话题矩阵θ'和基于服务组合的单词矩阵φ'，其中， ${\mathrm{\θ}}^{\′}=\left(\begin{array}{c}{\mathrm{\θ}}_1^{\′}\\ {\mathrm{\θ}}_2^{\′}\\ ...\\ {\mathrm{\θ}}_i^{\′}\\ ...\\ {\mathrm{\θ}}_n^{\′}\end{array}\right)$ 是表示服务组合与话题的关联度的行向量矩阵，行向量θ'_i表示服务组合m_i与话题的关联度，φ'＝(φ'₁,φ'₂,…,φ'_j,…,φ'_n)是表示服务组合的功能需求描述与话题的关联度的列向量矩阵，列向量φ'_j表示服务组合的功能需求描述中的短语(或单词)w_j与话题的关联度；

根据基于服务组合的话题矩阵θ'和基于服务组合的单词矩阵φ'，计算服务生态***中每个服务组合m_i与用户要构建服务组合之间的功能需求相似度 $\sin (\stackrel{\‾}{m},m_i)=\underset{w_j=q_1}{\overset{q_n}{\mathrm{\Σ}}}\left({\mathrm{\φ}}^{\′}{|}_{w_j}\right)\left({\mathrm{\θ}}^{\′}{|}_{m_i}\right),$ 其中，m_i∈M，w_j∈Q，Q为用户要构建的服务组合的功能需求描述Q＝{q₁,q₂,…,q_i,…q_n}，为基于服务组合的单词矩阵φ'中表示短语w_j与话题的关联度的列向量，为基于服务组合的话题矩阵φ'中表示服务组合m_i与话题的关联度的行向量；

计算用户要构建的服务组合与服务生态***中每个服务s_j的组合概率 $p_{\mathrm{CF}}(s_j,\stackrel{\‾}{m})=\underset{m_i=m_1}{\overset{m_n}{\mathrm{\Σ}}}\mathrm{sim}(\stackrel{\‾}{m},m_i)y(m_i,s_j),$ 其中，m_i∈M，s_j∈S且

5.如权利要求2所述的面向服务组合的服务推荐方法，其特征在于，所述语义匹配度计算步骤包括：

将服务集合S＝{s₁,s₂,…,s_j…,s_n}和每个服务s_j的服务词集合 $\mathrm{SW}\left(s_j\right)=\{w_1,w_2,...,w_{n_j},...,w_{n_s}\}$ 输入到LDA话题模型；

设定LDA话题模型的话题参数k，以吉布斯采样法求解话题参数为k的LDA话题模型，输出基于服务的话题矩阵θ″和基于服务的单词矩阵φ″，其中，服务的话题矩阵 ${\mathrm{\θ}}^{\′\′}=\left(\begin{array}{c}{\mathrm{\θ}}_1^{\′\′}\\ {\mathrm{\θ}}_2^{\′\′}\\ ...\\ {\mathrm{\θ}}_i^{\′\′}\\ ...\\ {\mathrm{\θ}}_n^{\′\′}\end{array}\right)$ 是表示服务与话题的关联度的行向量矩阵，行向量θ″_i表示服务s_i与话题的关联度，基于服务的单词矩阵φ″＝(φ″₁,φ″₂,…,φ″_j,…,φ″_n)是表示服务的功能特征描述与话题的关联度的列向量矩阵，列向量φ″_j表示服务的功能特征描述中的短语(或单词)w_j与话题的关联度；

根据基于服务的话题矩阵θ″和基于服务的单词矩阵φ″，计算服务生态***中每个服务s_j与用户要构建的服务组合的语义匹配度 $p_{\mathrm{CM}}(s_j,\stackrel{\‾}{m})=\underset{w_j=q_1}{\overset{q_n}{\mathrm{\Σ}}}\left({\mathrm{\φ}}^{\′\′}{|}_{w_j}\right)\left({\mathrm{\θ}}^{\′\′}{|}_{s_j}\right),$ 其中，s_j∈S，w_j∈Q，Q为用户要构建的服务组合的功能需求描述Q＝{q₁,q₂,…,q_i,…q_n}，为基于服务的单词矩阵φ″中表示短语w_j与话题的关联度的列向量，为基于服务的话题矩阵φ″中表示服务组合m_i与话题的关联度的行向量。

6.如权利要求1所述的面向服务组合的服务推荐方法，其特征在于，所述总体匹配度计算步骤包括：对计算出的每个服务在下一时间粒度t+1下的活跃度、每个服务与要构建的服务组合的组合概率以及每个服务与要构建服务组合的语义匹配度进行相乘，得到每个服务与用户要构建的服务组合的总体匹配度。