RESUMO À medida que a tecnologia de Mashup avança, o número de APIs Web disponíveis continua a aumentar ano após ano. Como resultado, identificar e selecionar APIs Web adequadas entre a ampla gama de opções permanece uma questão desafiadora. Para abordar essa questão, a recomendação interativa de APIs Web foi introduzida para simplificar o processo de seleção de APIs Web, auxiliando usuários ou desenvolvedores na escolha de APIs Web que atendam às suas necessidades de negócios ou desenvolvimento de software. Embora os métodos recentes de aprendizado de representação baseados em grafo tenham avançado a recomendação interativa de APIs Web, obter representações precisas para Mashups e APIs Web ainda é um desafio. Isso se deve principalmente ao fato de que os modelos de grafo existentes lutam com a extrema esparsidade das interações Mashup-API e a prevalente distribuição de longo alcance. Como resultado, seu desempenho é frequentemente limitado. Para melhorar o desempenho da recomendação, propomos uma abordagem de recomendação interativa de APIs Web baseada no longo alcance e na supervisão de composição do LightGCL, chamada LTCS-LightGCL. O LTCS-LightGCL deriva embeddings de Mashup e APIs Web utilizando um paradigma simples, mas eficaz, de aprendizado contrastivo de grafo, no qual o aprendizado supervisionado de longo alcance e de composição é projetado para guiar o processo de embedding de forma eficaz. Experimentos extensivos em um conjunto de dados do mundo real demonstram que o LTCS-LightGCL supera os métodos de linha de base. O código-fonte do modelo pode ser obtido em https://github.com/IntelligentServiceLab/LTCS-LightGCL.
Xiang et al. (Ter,) estudaram essa questão.