DiffMSR：一种用于服务推荐的多语义图扩散模型

《IEEE Transactions on Services Computing》：DiffMSR: A Multi-Semantic Graph Diffusion Model for Service Recommendation

　　服务推荐中存在数据稀疏和噪声干扰问题，传统GNN方法依赖节点ID聚合且忽略文本语义。本文提出DiffMSR模型，结合LLMs捕捉服务文本语义与知识图谱结构信息，通过跨语义对比学习实现异构语义对齐，并引入多语义扩散去噪生成交互图，实验表明推荐准确率和召回率分别提升4.13%和6.37%。

　　

摘要：

随着云计算和服务计算的快速发展，服务推荐系统在帮助用户高效筛选合适的服务方面发挥着至关重要的作用。然而，服务数据的稀疏性以及交互过程中存在的噪声使得准确捕捉用户偏好变得极其困难。现有的基于图神经网络（GNN）的服务推荐方法主要依赖于ID聚合，常常忽视了文本语义的丰富性，并且容易受到交互噪声的影响，从而导致用户与服务关系建模效果不佳。尽管大型语言模型（LLM）在捕捉文本语义方面表现出显著优势，但目前的方法在将结构化表示与文本表示对齐方面存在困难，这限制了推荐性能的提升。为了解决这些问题，我们提出了一种创新的多语义图扩散模型DiffMSR，该模型旨在在对齐文本和结构化表示的同时，以去噪的方式学习交互图的生成过程。这种方法减轻了数据稀疏性问题，并有效减少了噪声干扰。具体而言，该模型利用LLM捕获服务描述的文本语义特征，并将其与来自知识图谱的结构化语义信息相结合。通过跨语义对比学习，实现了异构语义的对齐。此外，该模型引入了一种基于多语义扩散的生成框架，通过迭代去噪来构建高质量的用户-服务交互图。这显著增强了用户表示的多语义感知能力，从而提高了推荐性能。在公共服务数据集上的实验表明，DiffMSR的性能优于现有的最先进基线方法，分别在推荐准确率和召回率上提升了4.13%和6.37%...

显示更多

引言

随着面向服务架构（SOA）和云计算的普及，越来越多的企业和组织开发了多种Web应用程序编程接口（API），并通过API共享平台提供服务。这不仅提高了软件开发的模块化和灵活性，还使开发者能够以更少的时间和成本构建应用程序[1]、[2]、[3]。例如，ProgrammableWeb.com平台提供了涵盖众多应用领域的各种公开可用的API服务。该平台已共享了22,622个Web API，这些API成功帮助开发者创建了6,467个Mashup或应用程序[4]。然而，随着Web服务的指数级增长和用户需求的日益复杂化，用户（即开发者）从大量异构选项中快速识别最合适的服务变得颇具挑战性。在这种情况下，服务推荐系统应运而生。通过分析用户的历史行为和需求，这些系统能够智能预测潜在的用户偏好并提供个性化的服务推荐，从而帮助开发者更高效地筛选和集成Web服务，显著提高了应用程序开发的效率[5]。