WARBERT: Web API 推薦のための階層型 BERT ベースモデル

arXiv:2509.23175v2 Announce Type: replace-cross Abstract: Web 2.0 とマイクロサービスの台頭に伴い、Web API の可用性が向上し、効果的な推薦システムの必要性が高まりました。既存のアプローチは一般的に、ラベルを使用して API を分類する「推薦タイプ」の手法と、マッシュアップとのマッチングを通じて API を検索する「マッチタイプ」の手法の 2 つに分類されます。しかし、依然として 3 つの重要な課題が残っています：1) API とマッシュアップの説明を比較する際の曖昧さ、2) マッシュアップ要件と個々の API 説明の間にある進化的な意味の微調整の欠如、3) 大規模なリポジトリにおける完全なマッシュアップ-API 比較による計算上の非効率性。これらの課題に対処するために、本稿では Web API 推薦のための階層型 BERT ベースモデルである WARBERT を提案します。WARBERT は二成分特徴量の融合と注意機構を利用して、精度の高い意味表現を作成します。WarBERT(R) は推薦手法を使用して初期候補をフィルタリングし、WarBERT(M) は微調整された類似性マッチングに焦点を当てています。最終的な API-マッシュアップペアリングの確率は、両方の成分からの予測を組み合わせ、WarBERT(R) はマッシュアップカテゴリーの予測という補助タスクによってさらに強化されています。ProgrammableWeb データセットで行われた実験により、WARBERT は既存の基準を上回っており、精度と効率の両方において顕著な改善を実現しました。

arXiv:2509.23175v2 Announce Type: replace-cross Abstract: With the rise of Web 2.0 and microservices, the increasing availability of Web APIs has intensified the need for effective recommendation systems. Existing approaches are generally categorized into two methods: recommendation-type methods, which classify APIs using labels, and match-type methods, which retrieve APIs through matching with mashups. However, three significant challenges remain: 1) semantic ambiguities in comparing API and mashup descriptions, 2) a lack of progressive semantic refinement between mashup requirements and individual API descriptions, and 3) computational inefficiency of exhaustive mashup-API comparisons in large-scale repositories. To tackle these challenges, we propose WARBERT, a hierarchical model based on BERT for Web API recommendation. WARBERT utilizes dual-component feature fusion and attention mechanisms to create accurate semantic representations. It consists of WARBERT(R) for initial candidate filtering using recommendation methods, and WARBERT(M), which focuses on refined similarity matching. The final likelihood of an API-mashup pairing combines predictions from both components, with WARBERT(R) further enhanced by an auxiliary task of predicting mashup categories. Experiments conducted on the ProgrammableWeb dataset demonstrate WARBERT outperforms existing baselines, achieving notable improvements in both accuracy and efficiency.