随着Web2.0技术的不断发展,Web服务数量越来越多,将服务进行聚类是一种有效提高服务发现的手段。本文以Web服务为研究对象,基于Web服务的描述文档,采用机器学习和人工神经网络中的相关模型、算法与技术,针对“如何精准的对Web服务进行聚类”的问题进行研究。本文的主要工作分为以下三个部分:(1)本文提出一种基于Word2vec和LDA主题模型的Web服务聚类方法。该方法首先将Wikipedia语料库作为扩充源,使用Word2vec对Web服务描述文档内容进行扩充,再将扩充后的描述文档利用主题模型进行特征建模,将短文本主题建模转化为长文本主题建模,更准确地实现服务内容主题表达,最后根据文档的主题分布矩阵寻找相似的服务并完成聚类。在真实数据集上进行实验,结果表明:与TFIDF-K、LDA、WT-LDA、LDA-K等服务聚类方法相比,本方法在F值上分别有419.74%、20.11%、15.60%、27.80%的提升。进而,基于扩充后的Web服务描述文档,利用Word2vec和LDA主题模型进行服务聚类的方法,能够有效提高Web服务聚类的精度。(2)本文提出了一种基于HDP和SOM神经网络的Web服务聚类方法。在该方法中,HDP模型可以自动确定最佳的主题数,不需要手动的调节;SOM算法可以自动确定最佳的类簇个数,也不需要人为选定初始的聚类中心。将HDP和SOM进行组合并应用于Web服务聚类,减少了调参的繁琐程度与实验结果受人为因素影响的问题。在真实数据集上进行实验,结果表明:与TFIDF-K、LDA、HDP、WT-LDA、HDP-K、HDP-S、ELDA-K等服务聚类方法相比,本方法在F值上分别有486%、54.0%、35.8%、47.1%、39.0%、28.6%、9.4%的提升。因此,利用HDP和SOM神经网络进行服务聚类的方法有效地提高了Web服务聚类的精度。(3)我们设计并开发了一个服务聚类可视化工具。该工具实现了(1)和(2)中所提出的服务聚类算法,利用pyecharts数据可视化工具展示了Web服务聚类结果,并利用Flask技术实现了基于聚类结果的服务推荐。