随着互联网的蓬勃发展,Web服务数量迅速增加,Web服务发现成为了最具挑战性的任务之一。大量研究表明:从海量的Web服务数据中将功能相似的Web服务进行分类可以明显提升服务发现的效率。当前Web服务分类研究主要聚焦于对Web服务描述文本隐藏的内容语义信息或者Web服务描述文本中的网络结构信息分别进行独立挖掘。由于Web服务的功能描述文档的特征稀疏离散,目前许多模型无法对其进行良好建模,并挖掘其词序信息和上下文语境信息,从而影响了Web服务分类效果;很多研究工作亦未考虑到Web服务描述文档的单词与其本身之间隐含的网络结构信息;且很少有Web服务分类研究将Web服务描述文本的内容语义信息和网络结构信息融合起来综合考虑。本文聚焦Web服务描述文档的内容语义信息和网络结构信息,从不同角度选择合适的神经网络模型与表征模型针对Web服务描述文本进行深度挖掘,应用于Web服务分类,取得了较好的效果。本文所作出的主要贡献如下所述:1.针对Web服务描述文本篇幅较短、特征稀疏、信息量少等特点,本文提出了一种基于广度学习和Bi-LSTM模型的Web服务分类方法。首先,利用广度学习模型对Web服务描述文档中所有的离散特征进行组合并实现服务类别的广度预测,然后,使用BiLSTM模型深入挖掘出Web服务描述文档中词语的语序及上下文语境信息,用于实现Web服务类别的深度预测;最后,使用线性回归算法,整合Web服务类别的广度预测及深度预测结果,作为最终服务分类的结果。2.针对Web服务描述文本中的单词与描述文本本身之间所隐含的网络结构信息的深度挖掘问题,本文提出一种基于图卷积神经网络的Web服务分类方法。首先将Web服务描述文档作为基础语料库,构建一个基于单词共现和Web服务描述文档词关系的“单词&Web服务描述文档”异构图网络。在该异构图网络中,使用词频-逆文本频率计算Web服务描述文档节点和单词节点之间边的权重,采用点互信息计算不同单词节点之间边的权重。最后,面向“单词&Web服务描述文档”异构图网络,利用图卷积神经网络学习单词和Web服务描述文档的表征信息,将Web服务文档分类问题转化成节点分类问题。3.提出了一种将Web服务描述文本的内容语义信息和网络结构信息融为一体的Web服务分类方法。首先运用Doc2Vec算法深度挖掘Web服务描述文档的功能语义信息并得到其内容语义表征信息,然后使用LINE算法对利用Web服务描述文档和标签信息构建的Web服务网络进行嵌入并获得其网络结构表征,最后融合Web服务的内容语义信息和网络结构信息进行Web服务分类。该模型可以应用于Web服务发布中心从而实现高效的Web服务自动分类。