新闻网讯 近日，软件学院2022级本科生徐子硕同学在姚德中老师指导下，以独立第一作者身份撰写的两篇学术论文，分别被服务计算领域国际期刊IEEE Transactions on Services Computing（IEEE TSC）和分布式计算领域知名国际会议IEEE International Conference on Distributed Computing Systems 2026（ICDCS 2026）录用。两篇论文围绕Web API智能推荐问题展开研究，分别从层次化语义匹配和可解释语义推理两个角度提出解决思路，体现了学院本科生在软件工程与人工智能交叉方向的科研探索能力。

IEEE TSC由IEEE出版，是中国计算机学会推荐的A类国际学术期刊，在服务计算、软件工程等领域具有较高的学术影响力。ICDCS是分布式计算系统领域具有较长历史和较高影响力的国际会议，为中国计算机学会推荐的B类国际学术会议。据会议官方公布信息，ICDCS 2026录用率为18.59%。大会将于2026年6月在韩国首尔举行，届时论文作者将围绕相关研究成果进行交流展示。

论文“WARBERT: A Hierarchical BERT-based Model for Web API Recommendation”被IEEE Transactions on Services Computing录用。论文提出了基于层次化BERT的Web API推荐模型WARBERT。该模型将候选过滤与语义匹配纳入统一框架：第一阶段通过WARBERT(R)快速缩小候选API范围，提升推荐效率；第二阶段通过WARBERT(M)对候选API与mashup需求进行细粒度语义匹配，提高推荐结果的准确性。模型还引入mashup类别预测作为辅助任务，以增强候选筛选效果。实验结果表明，WARBERT在ProgrammableWeb数据集上取得了较好的推荐性能，并在推理效率方面表现出一定优势。

论文“From Ranking to Reasoning: Explainable Web API Recommendation via Semantic Reasoning”被IEEE International Conference on Distributed Computing Systems 2026录用。论文将Web API推荐建模为联合预测任务，即模型不仅需要判断推荐哪些API、推荐多少个API，还需要为每个推荐结果生成语义层面的解释。论文提出了基于轻量级大语言模型的可解释Web API推荐框架WAR-R1。该框架通过引入特殊的起止控制令牌，使模型能够根据mashup需求复杂度自适应确定推荐API数量，突破传统固定Top-N推荐方式的限制；同时，模型能够为每个推荐API生成自然语言解释，帮助开发者理解API功能与mashup需求之间的语义关联。

在训练方法上，WAR-R1采用两阶段训练策略：首先利用经DeepSeek-R1标注的语料开展监督微调，随后结合GRPO强化学习与LoRA低秩适配，对推荐准确性和推理质量进行联合优化。实验结果表明，WAR-R1在ProgrammableWeb数据集上取得了较好的推荐效果，并能够为较高比例的推荐结果生成语义解释。论文还提出Reasoning Precision、Reasoning Recall、Reasoning Score等指标，用于评估推荐解释的推理质量，并通过人工评估实验进一步验证自动化评价指标与人类偏好之间的一致性。

Web API推荐旨在帮助开发者从持续增长的API生态中高效发现和选择合适服务接口，是mashup应用构建的重要技术环节。徐子硕同学围绕这一问题，分别从层次化语义匹配和大语言模型驱动的可解释推理两个方向开展研究：前者关注推荐准确性与效率的平衡，后者关注推荐过程的透明性与可解释性。两项工作从不同角度拓展了Web API智能推荐研究的思路，为构建更加高效、智能、可信的API推荐系统提供了参考。

徐子硕以独立第一作者身份在国际学术期刊和会议上发表研究成果，展现了扎实的专业基础、敏锐的问题意识和持续的科研投入，也体现了软件学院本科人才培养的扎实成效。近年来，学院坚持落实立德树人根本任务，面向软件技术前沿和产业发展需求，持续深化“立德铸魂、精课强基、双创赋能”的自主创新软件人才培养模式，着力构建课堂教学、科研训练、产业实践与创新创业相贯通的育人体系，引导学生在真实问题中提升创新能力、在科研实践中锤炼专业本领。未来，学院将继续坚持以高质量人才培养为核心，支持更多青年学子在软件工程与人工智能交叉前沿大胆探索、勇于创新，为服务科技自立自强和数字中国建设贡献青春力量。