利用聚类优化语义Web服务发现

doi:10.3778/j.issn.1002-8331.2009.34.043

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (34): 139-143.DOI: 10.3778/j.issn.1002-8331.2009.34.043

• 数据库、信号与信息处理 • 上一篇下一篇

利用聚类优化语义Web服务发现

张景雨¹，余雪丽¹，付丰科²

1.太原理工大学计算机与软件学院，太原 030024
2.解放军理工大学指挥自动化学院，南京 210007

收稿日期:2008-07-03 修回日期:2008-10-28 出版日期:2009-12-01 发布日期:2009-12-01
通讯作者: 张景雨

Semantic Web service discovery with clustering

ZHANG Jing-yu¹，YU Xue-li¹，FU Feng-ke²

1.School of Computer and Software，Taiyuan University of Technology，Taiyuan 030024，China
2.Institute of Command Automation，PLA University of Science and Technology，Nanjing 210007，China

Received:2008-07-03 Revised:2008-10-28 Online:2009-12-01 Published:2009-12-01
Contact: ZHANG Jing-yu

摘要/Abstract

摘要： 针对传统Web服务缺乏语义造成注册中心返回结果不精确的问题，提出了一种用OWL-S提供语义支持，并据语义相似度将Web服务聚类的解决方法。该方法应用OWL-S实现Web服务的语义描述，采用凝聚的层次聚类的Single-Link算法将相似Web服务聚类，快速定位并返回最合适的服务，提高了服务发现的精确性。

关键词: 基于OWL语言的Web服务本体（OWL-S）, 统一描述、发现和集成（UDDI）, 聚类, 语义Web

Abstract: To solve the problem that the search results returned by the UDDI registry are effectively inadequate because of the lack of semantic descriptions of the Web services，this paper proposes the method that provides semantic support with OWL-S and clusters similar Web services to improve the service discovery.The method realizes semantic Web services description with OWL-S and adopts the single linage algorithm of cohesive hierarchical agglomerative clustering method to cluster similar Web services and locate and return the most suitable service effectively.The experiment results show the improvement in Web service discovery.

Key words: Ontology Web Language for Services（OWL-S）, Universal Description, Discovery and Integration（UDDI）, clustering, semantic Web

中图分类号:

TP311

张景雨¹，余雪丽¹，付丰科². 利用聚类优化语义Web服务发现[J]. 计算机工程与应用, 2009, 45(34): 139-143.

ZHANG Jing-yu¹，YU Xue-li¹，FU Feng-ke². Semantic Web service discovery with clustering[J]. Computer Engineering and Applications, 2009, 45(34): 139-143.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

利用聚类优化语义Web服务发现

Semantic Web service discovery with clustering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics