مع الانتشار المطرد لويب 2.0 وزيادة اعتماد الشركات على الخدمات الدقيقة (Microservices)، فرضت الحاجة المُلحة إلى أنظمة فعالة لتوصيات واجهات برمجة التطبيقات (APIs). في هذا الإطار، تم تصنيف المناهج الحالية إلى نوعين رئيسيين: طرق التوصية التي تصنف الواجهات باستخدام تسميات محددة، وطرق المطابقة التي تسترجع الواجهات من خلال التطابق مع تجميعات الخدمات (Mashups).

رغم التطورات، تواجه أنظمة التوصيات ثلاثة تحديات رئيسية: 1) الالتباسات الدلالية في مقارنة أوصاف واجهات برمجة التطبيقات وتجميعات الخدمات، 2) نقص تحسينات الدلالة التقدمية بين متطلبات تجميعات الخدمات ووصف كل واجهة، و3) الكفاءة الحسابية المنخفضة للمقارنات الشاملة بين التخزين الكبير لواجهات برمجة التطبيقات وتجميعات الخدمات.

لذا، نقدم لكم نموذج WARBERT، الذي يعد نموذجًا هرميًا مبنيًا على المعمارية الشهيرة BERT، والذي يسعى لمعالجة هذه التحديات. يستخدم WARBERT تقنية دمج ميزات ثنائية وآليات انتباه لإنشاء تمثيلات دلالية دقيقة. يتكون من مكونين رئيسيين: WARBERT(R) الذي يقوم بتصفية المرشحين الأوليين من خلال أساليب التوصية، وWARBERT(M) الذي يركز على المطابقة الدقيقة. يتم دمج توقعات المزاوجة بين واجهات برمجة التطبيقات وتجميعات الخدمات لإنتاج احتمالية نهائية، مع تعزيز WARBERT(R) عبر مهمة مساعدة تتعلق بتوقع تصنيفات تجميعات الخدمات.

أظهرت التجارب التي أجريت على مجموعة بيانات ProgrammableWeb أن WARBERT يتفوق على مختلف النماذج الحالية، مما يحقق تحسينات واضحة في كل من الدقة والكفاءة. مع تقدم تقنيات الذكاء الاصطناعي، يبدو أن WARBERT يقدم آفاقًا مثيرة لمستقبل توصيات واجهات برمجة التطبيقات.