随着互联网的发展,软件开发的需求与日俱增,Web API的调用已经成为软件开发必可不少的一种方式。Web API是一些预定义的功能,它向软件开发人员提供了一系列的接口,有了Web API,软件开发人员可以根据自己的需求直接调用并组合Web API而无需了解其内部细节。但是,由于软件库中的Web API数量庞大,开发人员无法熟悉所有Web API并始终为特定的开发任务选择正确的Web API,因此Web API的推荐是一项十分紧急的任务。本文主要针对Web API的推荐与关联模式的挖掘分别提出了两个方法,主要工作如下:1.面向软件开发的Web API推荐算法。在本文中,我们发现了用户与Web API之间存在一些关系,并利用这种关系和协同学习技术来完成Web API的推荐。本文共提出了一个包含三个模型的整体框架。在这三个模型中,我们设计了一种联合矩阵分解技术,并尝试发现Web API调用过程之间的偏好。在自然语言处理中,词嵌入技术被广泛使用,在本文的模型中,我们使用doc2vec将用户和Web API的表示转换为向量表示,并分别计算用户和Web API的相似度以生成关系。除了用户端和Web API端的两种模式外,我们还提出了一个集成模型,充分利用了从用户端和Web API端挖掘的偏好,从而同时利用这些关系去进行推荐。本文在真实世界的数据集上进行了实验,实验结果表明本文的模型比所有比较的方法都表现的更好。2.面向软件开发的Web API关联模式挖掘。关联模式挖掘可以从数据集中发现项与项之间的关系,从而可以将挖掘出的关系用于推荐。本文研究了图神经网络（具体为Graph Transformer Network）的原理与特点,通过研究Graph Transformer Network,我们发现该方法在异构图上的表现较好,并将其用于Web API关联模式的挖掘,从而将Web API推荐转化为图推荐问题,挖掘出了Web API之间更多的潜在关系,从而用于推荐。对于Web API推荐问题,本文将用户、Web API以及Web API所在的公司作为输入图的节点,将用户-Web API、Web API-公司作为边类型,Graph Transformer Network会对输入的图进行卷积操作,从而自动生成元路径,并得到图中节点的新的表示,从而进行后续的节点分类与推荐。