上述方法虽然考虑到了用户对 API 服务的影响，但并没有考虑到 Mashup 服务对API 服务的影响，比如，每个 API 都有所组成的 Mashup 服务。在我们的研究中，考虑到 API 服务的多维信息（API 描述信息、API Specs 信息、API 用户信息、Mashup 调用API 信息），最终将评分高的 API 服务进行推荐。
...........................
5 总结与展望
5.1 本文主要贡献
推荐系统已应用于各行各业，并能让我们在这个节奏比较快的生活里迅速发现想要的东西，极大地方便了我们的生活。推荐算法作为推荐系统的核心，所以受到研究人员的青睐。但是由于当前 Web 服务所处网络环境一直都在动态变化的原因，传统的推荐方法缺乏服务多维信息以及服务可信度方面的考虑。本文针对这些问题，提出了多维数据融合的 API 服务可信推荐方法，主要贡献如下：
（1）提出了一种基于描述信息和规格（Specs）信息的相似 API 服务推荐方法。该方法从 API服务描述信息和规格信息两个方面进行考虑；首先通过 LDA 主题模型对 API描述信息进行服务聚类，并通过相似度计算判断目标 API 所属主题类簇；然后考虑 API规格信息，根据 Jaccard 系数对该主题类簇下的 API 进行进一步筛选；在此基础上计算目标 API 描述信息与筛选后的 API 描述信息之间的相似度并进行排序，从而将相似度高的 API 作为候选可替代服务进行推荐；最后通过 Programmableweb 网站上真实数据集进行了实验，实验结果表明，上述方法能有效准确地进行相似 API 服务推荐。
（2）提出一种基于可信度和关注度的 API 服务可信推荐方法。该方法在相似 API服务推荐基础上，针对传统协同过滤算法存在的问题，首先将 API 相关 Specs 信息融合到数据归一化处理中，以填补空值，有效解决了数据稀疏问题；其次考虑相似 API 服务评分差异化影响，对评分进行均值化处理；进而引入用户可信度和关注度、Mashup 可信度和关注度，并对传统的余弦相似性计算方法进行改进；然后计算用户和 Mashup 对相似 API 服务的评分预测，并通过调整权重计算进一步得到相似 API 服务的综合评分预测，将相似 API 服务中综合评分较高的服务推荐给用户；最后通过 Programmableweb 网站上真实数据集进行了实验，实验结果表明，该方法解决了传统服务推荐算法中数据稀疏的问题，并有效地提高了推荐的准确度和可信度。
参考文献（略）
