(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210856551.2 (22)申请日 2022.07.20 (71)申请人 湖南科技大 学 地址 411100 湖南省湘潭市雨湖区桃园路 湖南科技大 学计算机科 学与工程学院 (72)发明人 曹步清　谢湘　刘建勋　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 专利代理师 李芳 (51)Int.Cl. G06F 16/35(2019.01) G06K 9/62(2022.01) G06F 40/289(2020.01) G06F 40/30(2020.01) G06F 17/18(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合异构信息网络与生成对抗网络的 服务分类方法 (57)摘要 本发明公开了一种融合异构信息网络与生 成对抗网络的服务 分类方法， 包括如下步骤： (1) 服务异构信息网络构建及Metapath2vec网络表 征； (2)GAN对抗训练； (3)服务分类。 本发明属于 互联网技术领域， 具体是指一种首先针对Web服 务之间的结构关系和自身的属性信息构建出异 构信息网络； 然后， 基于元路径的随机游走并联 合服务节点与邻居节点进行训练得到服务的特 征嵌入； 最后， 采用具有关系感知的GAN模型 实现 对抗训练， 通过生成器和判别器的极大极小化博 弈学习高质量的负样本信息， 对服务的特征嵌入 进行优化， 从而实现Web服务分类的融合异构信 息网络与生成对抗网络的服 务分类方法。 权利要求书2页 说明书6页 附图3页 CN 115238073 A 2022.10.25 CN 115238073 A 1.一种融合异构信息网络与生成对抗网络的服务分类方法， 其特征在于， 包括如下步 骤： (1)服务异构信息网络构建及Metapath2vec网络表征： 构建如下表1所示元路径， 采用 Metapath2vec模型计算出两两服务之间的嵌入表征， Metapath2v ec通过基于元路径的随机 游走及异构 Skip‑gram模型 学习网络表征， 捕获不同类型节点之间的语义和结构相关性； 表1 服务相关的元路径 (2)GAN对抗训练： SC ‑GAN主要由两个相互竞争的模块组成， 即判别器和生成器， 给定一 个服务节点， 生 成器尝试生 成与给定服务节点相关联的伪样本， 以提供给判别器， 判别器则 尝试改进其参数来将假样本与实际连接到给定节点的真实样本分离， 在这个重复的过程 中， 训练好的判别器会迫使生产器产生更好的假样本， 而判别器则也会增强其判断能力， 在 这样的迭代过程中， 生成器和判别器都得到正强化； (3)服务分类： 将SC ‑GAN模型的服务节点嵌入表征输入到一个完整的连接层中， 并使用 多元Logistic回归函数输出 所有候选Web服 务类别的概 率分布； Logistic回归用来预测一个具有类别分布的因变量不同可 能结果的概率的模型， 将多 分类的输出值转换为相对概率， 表示节点属于特定类别的概率， 其计算方式见公 式(10)。 其 中， k个模 型分别预测训练数据属于那个类别的概率， k为候选Web服务类别数， w表 示服务节 点对应的权 重矩阵， 表示向量的特 征嵌入； 在模型训练过程中， 对于所有K个可能的分类结果， 运行K ‑1个独立二元逻辑回归模型， 在运行过程中把其中一个类别看成是主类别， 然后将其它K ‑1个类别和所选择的主类别分 别进行回归运算； 在 对数似然 取最大值等价于损失函数取最小值， 其中， 对数似然计算方式 如下： 2.根据权利要求1所述的一种融合异构信息网络与生成对抗网络的服务分类方法， 其 特征在于： 所述步骤(2)中， 在TransE异构信息网络嵌入方法中， 服务异构信息网络中的每 一个三元组<s,r,v>(s和 v表示两个关系相联的服务节点， r表示它们之间链接的边类型)， 两个服务节点的潜在向量表示 为s和v∈V， 关系的潜在向量表示r∈R； 生成器G(·； θG)利用了以下高斯分布从基础连续分布中生成样本： 其中， 和 分别表示 生成器s∈v的服 务节点嵌入和 的关系矩阵； 生成器的公式如下： G(s,r； θG)＝f(WL…f(W1e+b1)+bL)权　利　要　求　书 1/2 页 2 CN 115238073 A 2从分布 中得出， W*和b*分别表示每一层的权重矩阵和偏差矢量， f是激活函 数； 生成器的参数集为 即所有节点嵌入和关系矩阵以及MLP的 参数的并集； 其中， λG>0控制正则项； 生成器参数θG通过最小化 来优化： 3.根据权利要求2所述的一种融合异构信息网络与生成对抗网络的服务分类方法， 其 特征在于： 所述 步骤(2)中判别器D(ev|s,r； θD)评估服务节点对s和v的关系之间的连通 性； s∈v是给定的服务节 点， 是来自HIN的给定关系， ev是样本服务节 点的嵌入， θD表示 D模型参数； D在关系r下输出样本连接 到服务的概率为： 其中， ev是样本的嵌入输入， 是服务节点s的可学习嵌入， 是关系r的 可学习关系矩阵； 形成判别器D的模型参数， D为获得的所有服 务节点嵌入和关系矩 阵的并集； 当v是与s到r相关的正样本时， 概 率应该较高； 当是负 样本时， 则概 率应该较低； 样本v与给定的服务s和关系 r形成三元组<s,r,v>， 并且每个三元组在极性方面都属于 以下三种情况之一， 在有条件的GAN的启发下， 每种情况也 导致了一部分判别器损失： 情况1： 在给定关系下连接， 即： 服务节点和样本确实通过 上的正确关系连接， 这 样的三元组被认为是正向的， 用下面的损失来建模。 情况2： 连接关系不正确， s和v在HIN中以错误的关系r ′≠r连接， 由于它们的关联性与 给定关系r所携带的期望语义 不匹配， 该判别器也将它 们标记为负。 这部分损失定义如下： 情况3： 来自关系感知生成器的假服务节点， 给定一个服务节点， 它可以与生成器提供 的服务节点形成假对， ， 判别器旨在将该三元组标识为负数， 表示如下： 其中， 伪样本v的嵌入e ′v是从生成器G的学习分布中提取的； 整合以上三个部分训练判别器： 其中， λD>0控制正则项以避免过度拟合， 判别器的参数θD可以通过最小化 来优化。权　利　要　求　书 2/2 页 3 CN 115238073 A 3