软件学院本科生以独立第一作者身份在国际顶级期刊和知名会议上发表论文

论文题目：WARBERT: A Hierarchical BERT-based Model for Web API Recommendation

录用期刊：IEEE Transactions on Services Computing

随着Web 2.0、云服务和微服务架构的发展，开放Web API数量急剧增长。如何从海量候选API中为开发者高效、准确地推荐合适的API，成为服务计算领域亟待解决的关键问题。现有方法通常从单一视角建模，或侧重分类推荐，或侧重相似度匹配，在推荐准确性、语义理解能力和推理效率之间仍存在进一步提升空间。

针对这一问题，论文提出了基于层次化BERT的Web API推荐模型WARBERT。该模型将候选过滤与语义匹配纳入统一框架：第一阶段通过WARBERT(R)快速缩小候选API范围，提升推荐效率；第二阶段通过WARBERT(M)对候选API与mashup需求进行细粒度语义匹配，提高推荐结果的准确性。模型还引入mashup类别预测作为辅助任务，以增强候选筛选效果。实验结果表明，WARBERT在ProgrammableWeb数据集上取得了较好的推荐性能，并在推理效率方面表现出一定优势。

在实际mashup开发过程中，开发者不仅关注”推荐哪些API”，也希望理解”为什么推荐这些API”。然而，已有Web API推荐方法大多以固定数量的排序列表作为输出，难以根据不同mashup任务复杂度灵活确定推荐数量，也较难为推荐结果提供充分的语义解释。这在一定程度上影响了推荐系统的透明性和开发者对结果的信任度。

围绕上述问题，论文将Web API推荐建模为联合预测任务，即模型不仅需要判断推荐哪些API、推荐多少个API，还需要为每个推荐结果生成语义层面的解释。论文提出了基于轻量级大语言模型的可解释Web API推荐框架WAR-R1。该框架通过引入特殊的起止控制令牌，使模型能够根据mashup需求复杂度自适应确定推荐API数量，突破传统固定Top-N推荐方式的限制；同时，模型能够为每个推荐API生成自然语言解释，帮助开发者理解API功能与mashup需求之间的语义关联。