The rapid growth in the number and diversity of Web APIs, coupled with the myriad of functionally similar Web APIs, makes it difficult to find most suitable Web APIs for users to accelerate and accomplish Mashup development. Even if the existing methods show improvements in Web APIs recommendation, it is still challenging to recommend Web APIs with high accuracy and good diversity. In this paper, we propose an integrated content and network-based service clustering and Web APIs recommendation method for Mashup development. This method, first develop a two-level topic model by using the relationship among Mashup services to mine the latent useful and novel topics for better service clustering accuracy. Moreover, based on the clustering results of Mashups, it designs a collaborative filtering (CF) based Web APIs recommendation algorithm. This algorithm, exploits the implicit co-invocation relationship between Web APIs inferred from the historical invocation history between Mashups clusters and the corresponding Web APIs, to recommend diverse Web APIs for each Mashups clusters. The method is expected to not only find much better matched Mashups with high accuracy, but also diversify the recommendation result of Web APIs with full coverage. Finally, based on a real-world dataset from ProgrammableWeb, we conduct a comprehensive evaluation to measure the performance of our method. Compared with existing methods, experimental results show that our method significantly improves the accuracy and diversity of recommendation results in terms of precision, recall, purity, entropy, DCG and HMD.

中文翻译：

---

针对 Mashup 开发的集成内容和基于网络的服务集群和 Web API 建议

Web API 的数量和多样性的快速增长，再加上无数功能相似的 Web API，使得用户很难找到最合适的 Web API 来加速和完成 Mashup 开发。即使现有的方法在 Web APIs 推荐方面有所改进，但推荐具有高准确性和良好多样性的 Web APIs 仍然具有挑战性。在本文中，我们提出了一种用于 Mashup 开发的集成内容和基于网络的服务集群和 Web API 推荐方法。该方法首先利用 Mashup 服务之间的关系开发两级主题模型，挖掘潜在的有用和新颖的主题，以获得更好的服务聚类精度。此外，基于Mashup的聚类结果，设计了一种基于协同过滤（CF）的Web APIs推荐算法。该算法利用从 Mashups 集群和相应 Web API 之间的历史调用历史推断出的 Web API 之间的隐式协同调用关系，为每个 Mashups 集群推荐不同的 Web API。预计该方法不仅可以找到匹配度更高且准确率更高的 Mashup，还可以使 Web API 的推荐结果多样化，覆盖范围更广。最后，基于来自 ProgrammableWeb 的真实数据集，我们进行了全面评估以衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。利用从 Mashups 集群和相应 Web API 之间的历史调用历史推断出的 Web API 之间的隐式协同调用关系，为每个 Mashups 集群推荐不同的 Web API。预计该方法不仅可以找到匹配度更高且准确率更高的 Mashup，而且可以全面覆盖 Web API 的推荐结果。最后，基于来自 ProgrammableWeb 的真实数据集，我们进行了全面评估以衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。利用从 Mashups 集群和相应 Web API 之间的历史调用历史推断出的 Web API 之间的隐式协同调用关系，为每个 Mashups 集群推荐不同的 Web API。预计该方法不仅可以找到匹配度更高且准确率更高的 Mashup，还可以使 Web API 的推荐结果多样化，覆盖范围更广。最后，基于来自 ProgrammableWeb 的真实数据集，我们进行了全面评估以衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。为每个 Mashups 集群推荐不同的 Web API。预计该方法不仅可以找到匹配度更高且准确率更高的 Mashup，而且可以全面覆盖 Web API 的推荐结果。最后，基于来自 ProgrammableWeb 的真实数据集，我们进行了全面评估以衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。为每个 Mashups 集群推荐不同的 Web API。预计该方法不仅可以找到匹配度更高且准确率更高的 Mashup，还可以使 Web API 的推荐结果多样化，覆盖范围更广。最后，基于来自 ProgrammableWeb 的真实数据集，我们进行了全面评估以衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。我们进行了全面的评估来衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。我们进行了全面的评估来衡量我们方法的性能。与现有方法相比，实验结果表明，我们的方法在精度、召回率、纯度、熵、DCG和HMD方面显着提高了推荐结果的准确性和多样性。