应用程序接口（application programming interface,API）是指在软件开发的过程中,由于不同模块间组合的形式不同而需要的一些事先定义好的接口程序。API的出现解决了开发人员在编程过程中出现的代码冗余现象,对于一些重复性较高的功能,只需调用API即可实现。在实际应用中,API由于简化了开发人员将全新组件集成到已有结构中的方式,提升了开发效率。为了适配更多的平台并满足更多开发需求,API的数量日益增加,类别的划分也越来越细致化,这虽然便利了开发者,但也使得寻找到适合的API成为了一个急需解决的问题。目前现有的API推荐算法大多专注于API与用户之间的关系,却忽略了对于用户之间或API之间关系的探索与利用。为了解决上述问题,本文通过挖掘用户之间和API之间存在的潜在关系特征增强矩阵分解模型,并构建基于潜在关系特征的集成模型来提升API推荐的准确度。本文主要工作包括以下几个方面:（1）收集API数据。采用分布式爬虫在Programmable Web网站上爬取真实的API数据集,并对该数据集进行数据预处理工作,利用用户和API的特性完成API异构信息网络的构建。（2）提出基于用户关系挖掘的推荐模型。首先通过用户之间存在的异构信息网络利用Jaccard公式计算用户与朋友之间的相似度,并以正则化的形式将用户关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降的方法训练模型,得到用户最终的社交化矩阵,矩阵中的元素代表在朋友的影响下,用户对API关注度的预测值。（3）提出基于API关系挖掘的推荐模型。首先通过API之间存在的异构信息网络利用Jaccard公式计算相似度,并以正则化的形式将API关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降训练模型,得到API最终的特征化矩阵,矩阵中的元素代表在已关注的API的影响下,用户对API关注度的预测值。（4）集成模型。由于基于用户关系挖掘的推荐模型和基于API关系挖掘的推荐模型都只考虑到用户之间或者API之间的网络关系,并且,对于不同的用户和API,两个模型得到的最终结果也不同。因此,本文以线性组合的方式集成上述两个模型,并通过参数组合实验决定模型权重,最终得到完整的API推荐模型。通过实验表明,在API推荐方面,本文提出的集成模型相较于其他推荐算法,推荐准确度至少提升30%。同时在不同训练集密度下,模型也展示了良好的泛化能力和鲁棒性。