面向服务的架构（SOA）通过跨网络组合云API来促进软件开发，利用中立的访问协议和明确定义的服务契约[1]。目前，SOA已成为软件开发中的主流范式，云API作为关键技术，支持分布式系统的构建、人工智能服务的集成以及数字经济的推进[2]。特别是，云API提供了对各种资源（如数据、计算、存储、数据库以及机器学习和人工智能模型）的丰富访问接口，使开发者能够根据具体需求选择合适的云API，从而高效地创建定制化且功能丰富的应用程序，即Mashup[3]。例如，开发者可以方便地使用Google Maps API1进行实时导航，利用Stripe API2进行在线支付，或使用DeepSeek API3生成AI驱动的洞察。因此，云API的利用显著提高了现有资源的重用效率，使企业和组织能够分配更多资源并专注于业务创新。
近年来，越来越多的企业和组织通过云API提供越来越开放的功能。这种演变使云API成为一种“数字粘合剂”，有效促进了不同领域服务的集成，并推动了数字经济的发展。同时，出现了多种专注于云API服务的开放平台，如RapidAPI4、ProgrammableWeb5和ShowAPI6，进一步推动了云API生态系统的繁荣。截至2025年5月，RapidAPI reportedly托管了超过40,000个云API，拥有超过400万开发者，每月活跃订阅者约270,000人，并处理超过50亿次云API请求。此外，云API的数量每年增长速度超过30%[4]。虽然这种不断扩展的云API生态系统为开发者提供了更多选择，但也带来了API过载的挑战，因为可用云API的数量庞大。
云API推荐系统是解决云API过载问题的有效方案，其中协作过滤（CF）是一种由于其效率和多功能性而广泛采用的方法[5]。行为模式通常被编码为协作嵌入，这些嵌入从最初的ID嵌入（用于矩阵分解[6]、[7]）发展到了最近基于图的编码器产生的更全面的图嵌入[8]、[9]。尽管这些CF方法表现优异，但它们严重依赖于Mashup与云API之间的历史交互。因此，它们存在严重的云API冷启动问题，即无法为新发布或未见过的云API生成有效的协作嵌入。鉴于新云API的持续涌入，提高它们的可见性并有效地向开发者推荐它们已成为云API推荐的关键挑战。
解决冷启动问题的一种常见方法是利用云API提供的侧信息（如文本描述、标签和提供商详情）作为内容特征来表示冷启动的云API。例如，一些强大的方法（如DropoutNet [10]、MTPR [11]）将云API的内容和协作特征整合到一个统一的表示中，并在训练期间随机丢弃某些暖启动云API的协作特征，将其视为冷启动云API。然而，尽管这些方法在训练阶段考虑了冷启动云API，但它们未能考虑到云API的内容特征与协作特征之间的关系，这最终限制了它们的整体效果。
为此，最近的研究采用了API级别的对齐策略来利用云API的内容特征和协作特征之间的关系[12]、[13]、[14]、[15]。例如，CLCRec [12]使用对比学习来对齐同一云API的内容嵌入和协作嵌入。CCFCRec [14]采样共现的云API对，并将一个云API的内容嵌入与另一个云API的协作嵌入对齐，以增强协作信号。这些方法通常基于一个前提：冷启动的云API与暖启动的云API具有相似的内容特征。通过对暖启动云API的内容嵌入与其协作嵌入进行对齐，它们间接引导冷启动云API的内容嵌入与暖启动云API的协作嵌入对齐。
然而，当冷启动和暖启动云API的内容特征相似度较低时，基于API级别对齐的方法的效果会受到限制，这种情况在现实世界中很常见。如图1所示，PayPal7和Stripe都被归类为具有相似内容特征的支付云API。因此，将PayPal的内容嵌入与Stripe的协作嵌入对齐可以推荐给之前使用过Stripe的开发者u。相反，对于AfterShip8，API级别对齐的效果较差，因为开发者u没有使用过任何具有与AfterShip相似内容特征的云API。值得注意的是，开发者u曾与WooCommerce9、Stripe、Twilio10和Amazon S311交互过，表明他们的业务需求主要集中在电子商务领域。因此，提供电子商务相关物流服务的AfterShip也可能符合开发者u的需求。此外，在面向服务的软件开发中，开发者经常组合多个云API来创建满足特定业务目标的Mashup。因此，从组级角度检查开发者使用的暖启动云API是非常重要的，以推断可能需要的云API。
为此，我们引入了一种名为MDCL的多级双重对比学习框架，用于云API冷启动推荐。MDCL从三个不同的角度进行嵌入对齐：Mashup-API对齐、API级别对齐和组级对齐，从而引导包括低相似度云API在内的内容嵌入向协作空间靠拢。具体来说，Mashup-API对齐旨在最大化Mashup与云API的协作嵌入之间的互信息，从而促进交互模式的学习。API级别对齐采用自我区分任务，旨在最大化云API的内容嵌入与协作嵌入之间的互信息，利用暖启动云API的协作知识来增强冷启动云API的内容嵌入。组级对齐首先汇总Mashup交互历史中一组暖启动云API的协作嵌入，生成其偏好表示。然后，它通过对Mashup的偏好表示与随机选择的暖启动云API的内容嵌入之间的互信息进行最大化，对低相似度的冷启动云API施加嵌入约束。在训练期间，选定的暖启动云API被视为冷启动云API。值得注意的是，Mashup-API对齐和API级别对齐都采用了双向对比策略，通过双锚点构建正负样本对来增强嵌入学习过程中的监督。此外，我们采用了一种混合训练策略来共同优化Mashup-API对齐、API级别对齐和组级对齐的目标。因此，MDCL不仅提高了低相似度冷启动云API的推荐性能，还在冷启动和暖启动云API的推荐之间实现了更优的平衡。
我们的贡献总结如下：
•我们提出了一种组级对齐策略，在训练阶段将随机选择的暖启动云API视为冷启动云API。该策略将其内容嵌入与从一组暖启动云API聚合的Mashup偏好表示对齐，从而为低相似度的冷启动云API建立嵌入约束。
•我们将推荐目标分解为三个嵌入对齐目标：Mashup-API对齐、API级别对齐和组级对齐。通过混合训练共同优化这些目标，以实现冷启动和暖启动云API推荐之间的更好平衡。
•我们在真实的云API数据集上进行了广泛实验，证明MDCL在冷启动和暖启动推荐场景中的性能均优于现有的最先进方法（SOTA）。此外，案例研究的结果证实，MDCL显著提高了低相似度冷启动云API的推荐性能。
文章的其余部分安排如下。第2节回顾了相关工作。第3节介绍了所提出的MDCL框架，包括问题表述和方法细节。第4节描述了实验设置并检验了结果。最后，第5节总结了我们的工作。
