田杰

【摘 要】現(xiàn)有的Web服務(wù)分類語義信息獲取方法大多基于預(yù)先定義的類別信息、或者基于人工指定服務(wù)社區(qū)的方式實現(xiàn)，其中專家知識具有一定的主觀性、片面性和隨意性。有效避免專家知識的主觀性、片面性和隨意性，本文以基于本身的描述信息為基礎(chǔ)、以統(tǒng)計計算為基本手段、以機器學(xué)習(xí)中的分類算法為依據(jù)，提出了不同粒度的Web服務(wù)對象之間的語義相似度度量方法，采用已有的語義相似度度量的方法及K-NN分類算法的思想，并使用對K-NN算法進行改進后而得到的WS-KNN算法，對Web服務(wù)進行分類。本文提出和實現(xiàn)的服務(wù)分類方法能很好地避免已有的服務(wù)分類工作的各種不足，服務(wù)之間的語義相關(guān)性基于大量的歷史數(shù)據(jù)學(xué)習(xí)而得到，有自動分類的效果，同時分類的方法簡單可行、實現(xiàn)方便，可為服務(wù)社區(qū)的自動構(gòu)建和服務(wù)的自動發(fā)現(xiàn)奠定一定的理論和工程化基礎(chǔ)。

【關(guān)鍵詞】語義相似度;分類;K-NN算法;WS-KNN算法

中圖分類號： TP393.09文獻標(biāo)識碼： A文章編號： 2095-2457（2019）14-0053-004

DOI：10.19694/j.cnki.issn2095-2457.2019.14.024

0 引言

學(xué)術(shù)界從以下幾個不同的側(cè)面對Web服務(wù)有不同的描述：從功能的角度描述Web服務(wù)，文獻[1-8]認(rèn)為Web服務(wù)基于TCP/IP、HTTP、XML等規(guī)范而定義，具有以下功能：Web上鏈接文檔的瀏覽，事務(wù)的自動調(diào)用，服務(wù)的動態(tài)發(fā)現(xiàn)和發(fā)布。文獻[5-9]從語義的角度描述了基于語義Web的服務(wù)，認(rèn)為Web服務(wù)是語義Web的一種應(yīng)用，由于考慮了語義信息的描述及表示，Web服務(wù)能夠更準(zhǔn)確地被執(zhí)行，服務(wù)組合（service composition）能夠按所期望的目標(biāo)進行。

本文對Web服務(wù)做分類，每個Web服務(wù)都包含一個與之相對應(yīng)的WSDL文檔，因此對Web服務(wù)做分類就是對WSDL文檔做分類，而從WSDL文檔的定義當(dāng)中，文檔當(dāng)中所包含的操作能夠度量一個WSDL文檔的性質(zhì)，因此選擇其操作之間的相似度來度量WSDL文檔之間的相似度，然后通過分類算法對其做分類。

分類的概念：分類分析的目的是在給定其他變量的條件下對感興趣的未知變量值作出預(yù)測。數(shù)據(jù)分類的目的在于根據(jù)新數(shù)據(jù)對象的屬性，將其分配到一個正確的類別當(dāng)中。為進行數(shù)據(jù)的分類，首先需要建立一個分類模型，用以描述預(yù)定的數(shù)據(jù)集，常用的分類模型包括判別分類及決策邊界模型、概率模型以及數(shù)模型，當(dāng)所建立的模型經(jīng)測試后達到了所要求的準(zhǔn)確率，便可以用其對未知目標(biāo)號的數(shù)據(jù)對象進行分類。分類分析中的待分類數(shù)據(jù)稱為樣本、實例或?qū)ο螅瑸榻⒛Ｐ投环治龅臄?shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)集，其中的單個數(shù)據(jù)稱為訓(xùn)練樣本[2]。

目前已有的分類算法很多，以下介紹幾個常用的算法[2]：基于距離的分類：首先是最短距離分類，它的原理是歐氏距離公式，設(shè)c1，…，cm代表了n維空間Rn中的m個類，如果類ci能夠由其中某一代表向量（一個n維向量xi）來表示，xi描述了類ci的中心，那么對于輸入向量y的分類問題可以根據(jù)y到xi（i=1，2，…，m）的距離來判斷。歐氏距離在分類分析中被廣泛采用作為距離的尺度，其特點是簡單容易被人接受。其次是最近鄰分類算法：設(shè)c1，…，cm代表了n維空間Rn中的m個類，給定包含了N個數(shù)據(jù)樣本的集合{x1，…，xn}，已知該集合中各樣本的先驗分類信息。對于任意輸入向量y，最近鄰分類器將y劃分到y(tǒng)的最近鄰樣本所在的類中。與最短距離分類器相比，最近鄰分類器并不考慮各類的代表向量，而是在已知先驗分類信息的數(shù)據(jù)樣本中考查與輸入向量y之間具有最短距離的鄰居樣本，直接將最近鄰居樣本的分類信息作為y的分類信息。在基于距離的分類之中還包括了k-最近鄰分類，其算法如下：

輸入：

N：已知分類信息的樣本個數(shù)

n：向量空間的維數(shù)

m：Rn中類的個數(shù)

（si，sj）1≤i≤N：N個序偶對，其中si為第i個事先已知分類信息的樣本，ji為si所屬的類（1≤ji≤m）

K：最近鄰樣本的個數(shù)，也稱為k-最近鄰分類算法的階

y：待分類的輸入量

輸出：

L：y的分類信息。

步驟1令S={（si，sj）}，1≤i≤N

步驟2找到（x，j0），使得||x-y||=min||z-y||，（z，j）∈S

步驟3果k=1，則令l=j0，算法結(jié)束;

否則，初始化n維向量IC：IC（i）=0，i≠j0;IC（j0）=1，S=S-{（x，j0）}

步驟4FOR DO

（1）找到，（x，j0）∈S使得||x-y||=min||z-y||，（z，j）∈S

（2）令I(lǐng)C（j0）=IC（j0）+1，S=S-{（x，j0）}

END FOR

步驟5令l=max{IC（i）}，1≤i≤m，算法結(jié)束

在上述算法中，歐式距離被作為定義“靠近”的尺度，而k選取不同的值，分類的結(jié)果將會不同。最簡單的形式是取k=1，但是這樣得到的分類器相當(dāng)不穩(wěn)定，即變化性大，對數(shù)據(jù)過于敏感，因此很多時候通過提高k值以使預(yù)測更加一致，但是可能增大分類的偏差。事實上，增大k值意味著“小胞體”可能并不小，被包含近來的樣本數(shù)據(jù)未必和輸入向量非?？拷?。K-最近鄰分類方法容易編程實現(xiàn)，并且不需要優(yōu)化和訓(xùn)練;對于某些問題，其分類具有很高的精確度，可以和基于神經(jīng)網(wǎng)絡(luò)的方法相比;它可以直接擴展到多分類的情況，也是可以處理被分類向量中殘缺值的情況，K-最近鄰分類方法并不建立模型，而是依賴于把所有訓(xùn)練數(shù)據(jù)集中的樣本數(shù)據(jù)全部保存下來，基于此，把這種分類方法稱為“消極學(xué)習(xí)方法（或懶散學(xué)習(xí)方法）”。

本文主要采用基于距離的分類方法中的K-最近鄰分類算法來Web服務(wù)做分類，使用該算法來衡量兩個WSDL文檔之間的相似度，首先使用相似度的度量方法計算出兩個文檔當(dāng)中操作的相似度，之后采用該算法來計算兩個文檔之間的“距離”，當(dāng)兩個文檔之間的“距離”大于或等于某一個特定值的時候就說它們相似，同時將其們歸為一類。

1 Web服務(wù)描述信息的抽取和服務(wù)間的語義相似度

1.1 Web服務(wù)描述信息的抽取

定義Web服務(wù)的WSDL文檔主要包括下列元素：

·Types：數(shù)據(jù)類型定義的容器，它使用某種類型系統(tǒng)（一般地使用XML Schema中的類型系統(tǒng)）。

·Message：通信消息的數(shù)據(jù)結(jié)構(gòu)的抽象類型化定義。使用Types所定義的類型來定義整個消息的數(shù)據(jù)結(jié)構(gòu)。

·Operation：對服務(wù)中所支持的操作的抽象描述，一般單個Operation描述了一個訪問入口的請求/響應(yīng)消息對。

·PortType：對于某個訪問入口點類型所支持的操作的抽象集合，這些操作可以由一個或多個服務(wù)訪問點來支持。

·Binding：特定端口類型的具體協(xié)議和數(shù)據(jù)格式規(guī)范的綁定。

·Port：定義為協(xié)議/數(shù)據(jù)格式綁定與具體Web訪問地址組合的單個服務(wù)訪問點。

·Service：相關(guān)服務(wù)訪問點的集合。

WSDL文檔中包含了這些元素，本文抽取WSDL文檔中的操作（Operation）作為原子服務(wù)，因為每個WSDL文檔中包含了大量的操作。在WSDL文檔定義好之后，我們將對操作中的輸入輸出等各項操作進行抽取，例如在第2章的實例中，我們抽取input、output這兩個操作。因此通過先對WSDL文檔之間的操作分類，用這個分類的結(jié)果來衡量WSDL的相似度[10]，從而為Web服務(wù)的分類奠定基礎(chǔ)[3-7]。

1.2 Web服務(wù)組件之間的語義相似度

要實現(xiàn)Web服務(wù)的自動分類，首先要對WSDL文檔中的操作進行分類，這是實現(xiàn)Web服務(wù)分類的前提條件，也是實現(xiàn)服務(wù)分類的基礎(chǔ)，同時也是實現(xiàn)服務(wù)分類必不可少的。已有的相似度度量的方法中具有代表性的一個是文獻[3]，其描述如下：對一個文本文檔來說，文檔當(dāng)中的相同文字出現(xiàn)的頻率是衡量文檔相似度最直觀的因素，在此我們不妨將文本文檔看成是語義包，同時將文檔當(dāng)中的文字看作語義元素。下面是幾個相關(guān)的定義：

定義1.直接引起人們關(guān)注的語義實體我們稱作為語義包，記做Pi，語義的最小組織單位我們稱之為語義元素，記為Ej。

根據(jù)實際應(yīng)用中的各種不同的情況，不同的語義實體都能夠被選作為語義包。比如，Web站點能夠被選作語義包，同時Web頁面則是Web站點的語義元素。在一個更好的粒度下，Web頁面是語義包，而文字是Web頁面的語義元素。通過包里語義元素的不同的情況，我們需要弄清語義元素之間的語義關(guān)系。我們用P={P1，P2，…，Pm}來表示一個語義包，用E={E1，E2，…，En}來表示包含在語義包P中的語義元素。Ei對Ej的支持我們用Ei→Ej來表示，其中i與j不相等;Ei對Ej的支持度我們用φ（Ei→Ej）來表示：

φ（Ei→Ej）=N（Ei∩Ej）/N（Ej）（1）

N（Ej）表示選取包含Ej語義包的概率，N（Ei∩Ej）表示選取中包含Ei又包含Ej的語義包的概率。很顯然，φ（Ei→Ej）不一定與φ（Ej→Ei）相等。

定義2.φ（Ei，Ej）叫做語義包P中語義元素Ei與Ej之間的親和度，其中：

φ（Ei，Ej）=N（Ei∩Ej）/N（Ei∪Ej）（2）

φ（Ei，Ej）稱為Ei與Ej之間的語義距離。

定義3.為了實現(xiàn)Web服務(wù)組件之間的相似度的度量，首先進行下列符號意義的說明：

（1）OPi：這表示某一個WSDL文檔中的第i個操作;

（2）OPi∩OPj：表示對某兩個WSDL文檔中的操作取交集，也即是求兩個文檔中相同的操作（i=1，2，3…）;

（3）OPi∪OPj：表示對某兩個WSDL文檔中的操作取并集，也即是求兩個文檔中所有的操作數(shù)（j=1，2，3…）;

（4）N（OPi∩OPj）：表示求取某兩個WSDL文檔中所有語義相同或相似的操作總數(shù);

（5）N（OPi∪OPj）：表示求取某兩個WSDL文檔中所有的操作數(shù);

（6）Sim（OPi，OPj）：表示包含i個操作的WSDL文檔與包含j個操作的WSDL文檔之中操作的語義相似度。

下面定義WSDL文檔中操作之間的語義相似度的度量標(biāo)準(zhǔn)。

定義4.WSDL文檔中操作之間的語義相似度的度量標(biāo)準(zhǔn)定義為

Sim（WSi，WSj）=N（OPi∩OPj）/N（OPi∪OPj）（3）

通過定義3明確算法中的各個符號所表示的具體意思，定義4中的算法中輸入的是不同的WSDL文檔中相同的操作數(shù)，以及兩個WSDL文檔中所有的操作數(shù)目，通過它們的比值，將得到操作之間的相似度。

再給出定義4中的公式（3）一些性質(zhì)：

（1）Sim（OPi，OPi）=1;

（2）Sim（OPi，OPj）=Sim（OPj，OPi）。

在本文中將采取這種方法度量WSDL中操作的相似度，基于WSDL操作之間相似度度量方法，進一步可對WSDL文檔進行分類，是本文中研究Web服務(wù)分類的關(guān)鍵問題和核心技術(shù)。

1.3 Web服務(wù)之間的語義貼近度

第3.2節(jié)中，介紹了Web服務(wù)組建（操作）之間的語義貼近度，下面介紹WSDL文檔之間的語義相似度。WSDL之間的相似度用來度量兩個WSDL文檔之間的相似程度，第3.2節(jié)主要講述了對從WSDL文檔中抽取的操作的語義相似度，本節(jié)以第3.2節(jié)為基礎(chǔ)，第3.2節(jié)主要介紹了WSDL文檔中組件（操作）之間的語義相似度，但是只有操作之間的語義相似度是不能解決WSDL文檔之間相似度的度量的，本節(jié)主要是在第3.2節(jié)已有的工作基礎(chǔ)之上來進行Web服務(wù)之間的語義相似度的度量工作。為了討論的方便，首先定義度量WSDL文檔之間相似度工作的相關(guān)符號。

定義5.

（1）WSi：表示第i個Web服務(wù)文檔（即WSDL文檔），在該文檔中包含了n個操作，這其中的操作依然用OP來表示，同樣操作之間的相似度用Sim（OPi，OPj）來表示，操作之間的相似度已知;

（2）S（WSi，WSj）：表示第i個文檔與第j個文檔之間的相似度;

（3）Counti-j：表示一個初值為一的計數(shù)器，它記錄了第i個文檔與第j個文檔當(dāng)中所包含的操作之間進行的相似度度量所計算的次數(shù)。

下面我們給出計算的公式：

S（WSi，WSj）={∑Sim（OPi，OPj）}/Counti-j（4）

當(dāng)Sim（OPi，OPj）≥ε（ε的值給定）時，如果S（WSi，WSj）≥ε（ε的值也是給定），那么我們就說WSi與WSj相關(guān)（也就是相似）。

在該算法當(dāng)中，OPi∈WSi，OPj∈WSj;i與j都是正整數(shù)，都從1開始計數(shù)。Counti-j的初始值置為1，操作之間的相似度度量算法每進行一次，計數(shù)器自加一次。

2 基于Web服務(wù)間語義相似度的服務(wù)分類

2.1 基于Web服務(wù)語義相似度的Web服務(wù)分類算法

計算出Web服務(wù)WSi與WSj之間的相似度是本章研究的核心，本章將用到K-最近鄰分類算法的改進算法，稱之為WS-KNN算法，該算法吸取了KNN分類算法的思想，但是在WS-KNN算法中，用待分類的WS文檔與已知分類信息的WS文檔之間的相似度與從實驗中學(xué)習(xí)出來的度量值作比較，該算法的基本思想如下：

用已知分類信息的WS文檔及待分類的WS文檔作為算法的輸入，要求輸出待分類的WS文檔的分類信息。在WS-KNN算法中，首先將已知分類信息的WS文檔和該文檔的類別分別對應(yīng)起來并以一個序偶對的方式存放在數(shù)組S中，然后使用一個兩重循環(huán)將已知的待分類文檔和樣本文檔之間相似度的值S（WSj，WSi）存放在一個二維數(shù)組Sji中，在Sji大于等于已知的度量值ε的基礎(chǔ)上，分別把待分類的文檔WSj歸為與之進行相似度計算的WSi文檔所屬的類別Cn中，如果Cn相同，也就是這些WSi屬于同一個類別，理所當(dāng)然將WSj歸到類Cn中;如果Cn不盡相同，那么取大多數(shù)WSi所屬的類別Cr作為WSj所屬的類，分類算法結(jié)束。

對WS-KNN算法的描述如下：

算法1

輸入：

N：已知分類信息的樣本個數(shù)

WSi：已知分類信息的WS文檔

WSj：待分類的WS文檔

C：已知分類信息文檔所屬類別的集合

m：已知類的數(shù)量

ε：從實驗中所得出的分類信息度量值

K：輸入的待分類的WS文檔的個數(shù)

S（WSj，WSi）：已知的待分類文檔和樣本文檔之間相似度的值

輸出：

WSj在C中所屬的類別

步驟如下：

步驟1 令S={（WSi，Cn）}，（1≤i≤N，1≤n≤m）

步驟2 FOR j=1，2，…，K-1

FOR i=1，2，…，N-1

Sji=S（WSj，WSi）

END FOR

END FOR

IF Sji≥ε

（WSj，WSi）∈Cn

IF Cn=Cr（r為一個定值）

WSj∈Cr

ELSE WSj∈Cr（Cr為大多數(shù)WSi所屬的類別）

END IF 算法結(jié)束

對輸入的待分類的WS文檔，使用第3章中的相似度度量方法與已知分類信息的WSi進行相似度度量，可以得出S（WSi，WSj）的值（1≤i≤K，1≤j≤N），然后與已知的分類信息的度量值ε做比較，如果S（WSi，WSj）≥ε，則稱WSi與WSj相似，我們將WSi與WSj中大多數(shù)相似的文檔的類別作為WSi的類。

2.2 應(yīng)用實例

下面使用一個實例來綜合說明一下我們工作的正確性和可行性。

例5：現(xiàn)有旅游服務(wù)和銷售代理兩個類別，分別記為Ctravel和Csale。

（1）在Ctravel中有樣本文檔WS1、WS2，分別包含了操作{buy gift，book ticket，search travel information }和{buy gift，book ticket，search travel information，select guide，sale house}。

（2）在Csale中有樣本W(wǎng)S3，WS3中包含了操作{search travel information，sale house，sale computer}，現(xiàn)有待分類的WS文檔WS4={search travel information，select guide，sale house}，度量值ε=0.400。

為了計算的方便，分別記buy gift，book ticket，search travel information，select guide，sale house，sale computer為OP1，OP2，OP3，OP4，OP5，OP6。

根據(jù)定義3得到：

N（OP1∩OP2）=2，N（OP1∩OP3）=2，N（OP1∩OP4）=1，N（OP1∩OP5）=1，

N（OP1∩OP6）=0，

N（OP2∩OP3）=2，N（OP2∩OP4）=1，N（OP2∩OP5）=2，N（OP2∩OP6）=1，

N（OP3∩OP4）=2，N（OP3∩OP5）=2，N（OP3∩OP6）=0，N（OP4∩OP5）=2，

N（OP5∩OP6）=1;

N（OP1∪OP2）=3，N（OP1∪OP3）=3，N（OP1∪OP4）=4，N（OP1∪OP5）=4，

N（OP1∪OP6）=3，

N（OP2∪OP3）=4，N（OP2∪OP4）=4，N（OP2∪OP5）=4，N（OP2∪OP6）=3，

N（OP3∪OP4）=3，N（OP3∪OP5）=4，N（OP3∪OP6）=4，

N（OP4∪OP5）=3，N（OP4∪OP6）=3，

N（OP5∪OP6）=3，

根據(jù)定義4中的公式（3）可以得到：

Sim（OP1，OP2）=N（OP1∩OP2）/N（OP1∪OP2）=2/3，

Sim（OP1，OP3）=N（OP1∩OP3）/N（OP1∪OP3）=2/3，

Sim（OP1，OP4）=N（OP1∩OP4）/N（OP1∪OP4）=1/4，

Sim（OP1，OP5）=N（OP1∩OP5）/N（OP1∪OP5）=1/4，

Sim（OP1，OP6）=N（OP1∩OP6）/N（OP1∪OP6）=0，

Sim（OP2，OP3）=N（OP2∩OP3）/N（OP2∪OP3）=2/4，

Sim（OP2，OP4）=N（OP2∩OP4）/N（OP2∪OP4）=1/4，

Sim（OP2，OP5）=N（OP2∩OP5）/N（OP2∪OP5）=2/4，

Sim（OP2，OP6）=N（OP2∩OP6）/N（OP2∪OP6）=1/3，

Sim（OP3，OP4）=N（OP3∩OP4）/N（OP3∪OP4）=2/3，

Sim（OP3，OP5）=N（OP3∩OP5）/N（OP3∪OP5）=2/4，

Sim（OP3，OP6）=N（OP3∩OP6）/N（OP3∪OP6）=0，

Sim（OP4，OP5）=N（OP4∩OP5）/N（OP4∪OP5）=2/3，

Sim（OP4，OP6）=N（OP4∩OP6）/N（OP4∪OP6）=0，

Sim（OP5，OP6）=N（OP5∩OP6）/N（OP5∪OP6）=1/3;

進而，根據(jù)算法1可以得到：

WS1與WS4的相似度度量值為：S（WS1，WS4）=13/27≈0.481≥0.400

WS2與WS4的相似度度量值為：S（WS2，WS4）=27/60≈0.450≥0.400

WS2與WS4的相似度度量值為：S（WS3，WS4）=14/45≈0.311≤0.400。

已知WS1、WS2都是類Ctravel中的樣本，WS3是Csale中的樣本，而容易看出，WS4與WS1、WS2最相似，故而將WS4歸為Ctravel中。

首先利用定義4中的公式（3）計算出了WSDL文檔之間操作的相似度，基于此利用公式（4）計算出了待分類的WSDL文檔與已知分類信息之間的相似度，然后利用算法1得到了待分類的WSDL文檔的分類信息。通過實例，能看出，本文提出的方法能夠有效地實現(xiàn)Web服務(wù)的分類。

即使已知分類信息的文檔很多、待分類的文檔的數(shù)量也很大的時候，本文中算法1只要2個嵌套循環(huán)就能實現(xiàn)Web服務(wù)的分類，算法的時間復(fù)雜度為O（n2），這與“人以類聚、物以群分”的分類思想一致，也具有較高的效率。

3 總結(jié)

本文著重介紹了KNN算法的改進算法WS-KNN算法，基于這些現(xiàn)有的方法、遵循已有的Web服務(wù)標(biāo)準(zhǔn)協(xié)議，以WSDL中的服務(wù)描述信息為載體，討論基于語義的Web服務(wù)相似度度量標(biāo)準(zhǔn)及響應(yīng)的服務(wù)分類算法，最終實現(xiàn)Web服務(wù)的分類。

本文提出和實現(xiàn)的服務(wù)分類方法能很好的避免已有的服務(wù)分類工作的各種不足，服務(wù)之間的語義相關(guān)性基于大量的歷史數(shù)據(jù)學(xué)習(xí)而得到，有自動分類的效果，同時分類的方法簡單可行、實現(xiàn)方便、效率較高。本文的分類方法以傳統(tǒng)的K-NN分類算法為基礎(chǔ)，而基于所提出的語義相似度對其進行無縫的改進，具有一定的實用價值。

【參考文獻】

[1]岳昆，王曉玲，周傲英.Web服務(wù)核心支撐技術(shù)：研究綜述，軟件學(xué)報，2004，15（3）：428-442.

[2]劉惟一，李維華，岳昆.智能數(shù)據(jù)分析，科學(xué)出版社，2007.

[3]K. Yue， W. Y. Liu. Semantic-Field Model for Information Retrieval. Technical report， 2007.

[4]B. Benatallah， M.Dumas， Q. Z. Sheng， A. Ngu. Declarative Composition and Peer-to-Peer Provisioning of Dynamic Web Services. ICDE，2002，297-308.

[5]A. Heb，N.Kushmerick.Learning to Attach Semantic Metadata to Web Services.ISWC，2003，258-273.

[6]U. Küster， M. Stern， B. K？觟nig-Ries.A Classification of Issues and Approaches in Automatic Service Composition. Intl. Workshop WESC 05，2005.

[7]A.Heb，N.Kushmerick.Machine Learning for Annotating Semantic Web Services.WESC，2004.

[8]F. Curbera，W.A Nagy，S. Weerawarana. Web Services： Why and how. In： Hailpern B， etal， eds.Pric. of the OOPSLA 2001 Workshop on Object-Oriented Web Services.Tampa：ACM. 2001.

[9]Y.L Shi，G.Huang，W.Ye， L.Zhang， B.L Shi. Automatic Composition of Web Services Based on Task Dependency Specification.Journal of Computer Research and Development. 2006：2110-2116.

[10]J.L Sun，L.Q Gong. A Study on the Technology Standards of Web Services Composition. Shi jia zhuang 2005.