1.一种面向全局社交服务网的Web服务聚类方法，其特征在于：所述方法包括如下步骤：第一步：建立一个面向全局社交服务网的Web服务聚类框架，框架分为服务注册模块、服务运行信息采集模块、服务聚类模块和服务可视化模块；

1.1、服务注册模块：用于实现REST服务及SOAP服务信息的注册，将原子服务注册到服务库中，为服务运行QoS采集、服务组合、服务聚类提供相关的服务资源；

1.2、服务运行信息采集模块：用于采集原子服务的组合日志以及原子服务的运行QoS信息，并分别记录到服务组合日志库、服务运行QoS信息库中；

1.3、服务聚类模块：用于结合原子服务库中的AS、服务组合日志库、服务运行QoS信息库，采用GSSN聚类算法进行聚类，为服务可视化做好准备；

1.4、服务可视化模块：用于通过可视化操作界面，基于GSSN，提供结合聚类的可视分析功能，辅助服务消费者更为直观的挖掘服务背后的隐藏信息；

第二步：基于所述聚类框架，Web服务聚类方法的步骤如下：

步骤2.1：Web服务集成；针对采用WSDL描述的SOAP Web服务和采用自然语言描述的REST Web服务进行集成，所述Web服务描述文档来源于能够被访问的Web服务注册中心或Web服务门户网站；

步骤2.2：Web服务相似度计算；根据集成后的Web服务信息，结合服务运行日志中的QoS信息分别进行Web服务相似性计算；相似性计算包括以下4个过程：功能相似度计算、领域标签相似度、QoS相似度、最后综合前三步得到的结果，计算生成综合相似度；

步骤2.3：GSSN聚类；

服务组合日志库中的信息代表着多个不同的局部社交服务网，记录着每个局部社交服务网中服务节点之间的连接关系，先通过将各个不同的局部社交服务网关联到一起生成一个初始GSSN，之后再结合GSSN聚类算法对GSSN进行进一步优化；GSSN聚类算法分为三阶段：第一阶段，根据服务组合日志建立服务间的局部社交服务网，通过局部社交服务网的互相关联推导出PGSSN，初始PGSSN建立的依据为历史数据，仅能展现已有的服务关系；

第二阶段，对在PGSSN中的AS，统计AS的SRHSA，计算社交相似度，根据社交相似度进行聚类不断扩大服务簇；

第三阶段，对原子服务库中的AS，采用K-means算法，基于综合相似度进行聚类后，根据服务簇间相似度阀值划分至PGSSN中相似的服务簇中，融合后的新服务簇即为优化后的GSSN；

步骤2.4：GSSN可视化；

对聚类后的结果进行可视化，辅助用户更为直观的挖掘服务背后的隐藏信息。

2.如权利要求1所述的一种面向全局社交服务网的Web服务聚类方法，其特征在于：所述步骤2.1的过程如下：步骤2.1.1、SOAP服务集成

针对SOAP服务，爬取WSDL描述信息后，由于WSDL为一种XML，可采用dom4J等JAVA库对WSDL文档进行解析；由于一个WSDL中可能包含多个AS信息，提取出所有AS的服务名称、Tag标记信息、服务的描述文本、输入输出参数；其中，SOAP服务的WSDL解析过程如下：首先，获得WSDL的根节点，解析出所有的Service节点，获得每个AS的服务名称，根据WSDL中的服务描述信息，提取词语，移除停用词，计算词频得到Tag标记信息，然后解析出每个AS的方法名及其对应的输入输出参数；最终得到SOAP服务的名称、功能描述、输入输出参数、领域标签信息；

步骤2.1.2、REST服务集成

REST服务采用基于自然语言描述的HTML文档，HTML文档详细描述了REST服务的名称、功能、输入输出参数、领域标签信息；利用网络爬虫可对HTML文档进行爬取，网页去噪，分词，去停用词，再建立对应网页的数据词典进行服务特征提取，最后得到REST服务的详细信息；如PWeb上的服务详情页满足特定的编码规则，服务名称使用“h1”、“header”语义化HTML5标签表示，tag标签使用CSS样式类“tags”指明，利用这些规则，建立爬取规则库，爬取REST服务相关描述信息进行特征提取，其中，特征提取过程如下：首先，遍历REST服务相关网页，将句子划分为词语，移除无意义的词语如“a”、“the”词汇；其次，建立表示输入、输出、标签、服务描述等规则的数据词典；进一步，在遍历文本过程中，遇到如“output”、“input”数据词典中表征输入输出信息的词语，对其后面的句子进行输入输出特征提取；遇到如“provide”、“allow”数据词典中表征服务功能描述信息词语，对其后面的句子进行描述信息提取；遇到如“category”、“tags”数据词典中表征标签信息的词语，对其后面的句子进行Tag特征提取，最后返回REST服务特征信息。

3.如权利要求1所述的一种面向全局社交服务网的Web服务聚类方法，其特征在于：所述步骤2.2中，所述相似性计算过程如下：步骤2.2.1、功能相似度计算

服务的聚类首先是功能聚类，即功能相同的服务聚为一簇，而功能大多采用自然语言描述；语义Web服务是Web服务的扩展，能够更加准确地表达Web服务功能含义，增强人与机器，机器与机器之间的交互性；通过语义描述，Web服务成为机器可读、可理解、可操作的实体，而WordNet是比较详尽的词语语义知识词典，用来度量不同词汇之间的语义相似度；当两个词汇的距离越大，其相似度越低，反之，两个词汇的距离越小，其相似程度越大；两个概念之间的相似度计算方法如下：其中，O1,O2分别为不同的概念，Dis(O1,O2)代表2个概念之间的距离，是O1与O2之间的最短路径长度；

针对服务功能聚类问题，对特征提取后的服务名称、服务描述信息，服务输入输出参数进行概念相似度计算，采用WordNet语义词典构建领域本体层次结构，Web服务功能相似度计算方法如下：simfunc(Asi,Asj)＝WN×simname(Asi,Asj)+WD×simdes(Asi,Asj)       +WI×simin(Asi,Asj)+WO×simout(Asi,Asj)Simname为服务名称相似性，Simdes为服务功能信息描述相似性，Simin为服务输入匹配度,Simout为服务输出匹配度；WN,WD,WI,WO分别为对应的权重，在0到1之间；

步骤2.2.2、领域标签相似度

领域标签信息也属于Web服务的功能性描述，包括服务所属的领域和服务的来源；

给定Web服务ASi以及其对应的标签集合Ti，根据Jaccard系数，计算出两个Web服务ASi,ASj之间的标签相似度如下：其中，N(Ti∩Tj)表示同时拥有的标签数目；

步骤2.2.3、QoS相似度

选取便于度量的属性对Web服务的QoS进行度量，建立QoS向量如下所示：VQoS＝{a1,a2,…,an}

其中，an代表QoS属性，又可分为连续型和离散型，连续型包括响应时间和服务价格，离散型包括吞吐量，可用性，可靠性和信誉度，n代表可度量属性的个数；考虑到不同的an取值范围有着很大的差别，对值进行标准化计算，把值都转化为[0，1]之间的数；

对于离散型，利用如下公式进行归一化计算：

其中，num代表an属性取值的个数，index代表an属性取值在所有离散取值范围中的索引；

对于连续型，利用最小-最大规范法进行归一化计算：

其中， 代表功能相同的服务簇中an属性的最大值， 代表功能相同的服务簇中an属性的最小值；

接着，对归一化计算后的QoS向量，计算2个Web服务的QoS相似度如下：步骤2.2.4、综合相似度集成

综合原子服务的功能相似度、领域标签相似度、QoS相似度，获得两个原子服务的综合相似度，其计算方法如下所示：sim(ASi,ASj)＝α*simfunc(ASi,ASj)+β*simtag(ASi,ASj)      +λ*simQoS(ASi,ASj)

其中，α,β,λ为权重，在0到1之间，根据综合相似度即可得到服务相似矩阵，为GSSN聚类做好准备。

4.如权利要求1或2所述的一种面向全局社交服务网的Web服务聚类方法，其特征在于：所述步骤2.3中，GSSN聚类算法的步骤如下：

步骤2.3.1：将现有的服务关系存储至服务组合日志库L中，L＝{N,R}，其中N为各局部社交服务网节点的集合，R为各局部社交服务网社交关系的集合，即对任一局部社交服务网，其节点集合Nk＝{AS1,AS2,…ASi}和社交关系集合Rk＝{ASm,ASn∈Nk|,…,}，有N＝{N1∩N2∩…∩Nk},R＝{R1∩R2∩…∩Rk}；k为正整数，代表局部社交服务网编号；由于现有的服务社交关系都记录在L中，读取L可推出各个局部社交服务网，并以此为基础生成PGSSN；

步骤2.3.2：遍历PGSSN中的AS，统计每个AS的强关系历史社交域并计算社交相似度，得到同簇服务；

步骤2.3.3：根据同簇服务，得到簇心服务，遍历所有簇心服务，将每个簇心服务的所有同簇服务聚为一个簇，根据簇中的簇心节点重复步骤2.3.3再次扩展服务簇，直到没有新的服务加入服务簇；

步骤2.3.4：对原子服务库中的AS，根据综合相似度，采用K-means算法聚类，划分至PGSSN中对应的服务簇中，优化PGSSN为GSSN。