Web API是一种可供应用程序实现存储、消息、计算等服务功能的应用编程接口。它的好处在于容易被访问、开发、组合和扩展,因此在基于Mashup的服务系统的构建方面起着重要的支撑作用。随着互联网上Web API数量的迅猛增多,开发者面临着如何从众多功能相似的API中挑选最合适的目标以构建Mashup的问题,这为开发者带来了许多挑战。通过构建API的推荐系统则有助于缓解此问题,因此已经有许多基于协同过滤、链接分析和主题模型的工作被提出;但是目前的工作多数仅利用了单一的信息维度或算法模型,缺乏对多维度特征的深入挖掘与应用。为此,本文从多特征挖掘与融合、知识图谱（Knowledge Graph,KG）建模与表达两种视角,各自提出了一种Web API推荐算法,以达到对多维度特征利用增强推荐效果的目的。本文的具体工作如下:从启发式方法入手,基于DS证据理论,提出了一种多特征融合的Web API推荐方法。首先,通过分析API参与Mashup过程的影响因素,将其归纳为文本特征、近邻特征、API相关特征三个证据维度;采用数据融合算子融合各个证据维度的子特征;采用香农熵量化每个证据维度的权重;最后,基于三个维度证据,以评估API和Mashup的需求之间的相关性,从而实现API推荐。通过实验分析证明,即使采用非机器学习的推荐方法也可以获得满意的推荐结果。从机器学习的方法入手,基于知识图谱建模与表达,提出了嵌入语义表示增强的Web API推荐方法。首先根据API和Mashup的之间的关系,如推荐、被推荐、标签、属性等关系,提取关系三元组,构建知识图谱;使用知识图谱知识表示学习Trans系列算法以获得API和Mashup的浅层的向量表达;为了增强图谱表达学习的效果,又构建了以双向GRU神经网络（Bidirectional Gated Recurrent Unit,BiGRU）和注意力机制（Attention Mechanism,Attention）为基础的文本编码模块,以获得Mashup和API的深度向量表示。本文将文本编码模块与Trans系列算法联立,进行交替训练,实现深层和浅层的协同表达学习。最后用余弦相似度量化目标Mashup和候选API的相关性,以实现API推荐。实验表明此方法能够获得较好的推荐效果。