1.一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：包括以下步骤：S1、将查询云API转换为对应的概率嵌入向量；

S2、利用逻辑推理单元得到每个查询云API对应的互补嵌入向量；

S3、利用注意力网络得到和查询集整体互补的互补基向量；

base

具体包括：利用注意力网络Att得到和查询集Q整体互补的互补基向量E(Q) ，如下式所示：；

采用注意力网络是因为不同的查询云API对于产生推荐结果的重要程度不同，并且要求推荐的候选云API与查询集整体互补；

S4、利用互补基向量和候选云API间的KL散度得到互补得分；

base

具体包括：利用互补基向量E(Q) 和候选云API c嵌入向量E(c)之间的KL散度得到互补得分y，如下式所示：；

base

其中， 为超参并且其值大于0；d为云API含有隐特征的数量；qj(x)是E(Q) 第j个隐特征对应的概率密度函数；pj(x)为E(c)第j个隐特征对应的概率密度函数；KL散度可度量两个概率分布函数之间的距离；

base

E(Q) 和E(c)隐特征之间的距离越小则查询集和候选云API之间的互补程度越高，亦即互补得分越大；

S5、按互补得分从大到小对候选云API进行排序，得到互补推荐列表；

S6、利用溯因模型推断得到与推荐结果最有可能互补的原因；

S7、利用推断原因和真实原因之间的差异得到溯因损失；

S8、以溯因损失最小化反向传播矫正推荐结果；

S9、按矫正后的互补得分对候选云API从大到小重新排序。

2.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S1中，具体包括：将查询集Q中的每个查询云API转换为对应的概率嵌入向量：；

其中，PEU是概率嵌入单元；E(qi)为查询云API qi对应的Beta概率嵌入向量；Beta概率嵌入向量由 和 两个参数决定；每个查询云API包含d个隐特征，查询云API qi第k个隐特征由Beta分布 表示。

3.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S2中，具体包括以下步骤：S2.1、设计在关系约束r下的投影算子PJr，如下式所示：；

其中，关系约束r包括替补约束sc以及共同调用约束cc；MLP为多层感知机；E(r)为关系约束r对应的Beta概率嵌入向量；E(qi)为查询云API qi对应的Beta概率嵌入向量；

经过投影算子PJr可得到查询云API在关系约束r下的嵌入向量；

S2.2、设计取反算子NG，如下式所示：；

NG

其中，E(qi) 是取反后的嵌入向量；

S2.3、设计交并算子IS，如下式所示：；

IS

其中，E(q) 为应用交并算子后得到的嵌入向量；

S2.4、互补关系逻辑推理：

首先对每个查询云API q对应的嵌入向量E(q)进行在替补约束sc下的投影，得到与查询云API具有替补关系的嵌入向量，之后进行在共同调用约束cc下的投影；此时，得到与查询云API具有弱互补关系的嵌入向量 ，如下式所示：；

由于任意云API均为其自身替补，故 也兼顾了强互补关系；

S2.5、非替补关系逻辑推理：

首先对每个查询云API q 对应的嵌入向量E(q)进行在替补约束sc下的投影，得到与查sc‑NG询云API具有替补关系的嵌入向量；之后再利用取反算子得到嵌入向量E(q) ，进而消去替补噪声带来的影响，如下式所示：；

S2.6、应用交并算子得到查询云API q的互补嵌入向量 ，如下式所示：；

通过S2.4、S2.5、S2.6的推理，得到兼顾强弱互补关系、消解替补噪声影响的逻辑推理单元。

4.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S5中，具体包括：按互补得分从大到小对候选云API进行排序，得到互补推荐列表CRL，如下式所示：；

其中，ci为排序后第i个候选云API； 为ci对应的互补得分。

5.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S6中，具体包括以下步骤：S6.1、因为推荐结果由查询集产生，故查询集中任意查询云API均能作为产生推荐结果的真实原因qt，如下式所示： ；

其中，Sample采用的是随机采样；

S6.2、为了防止引入过多不相关信息从而导致过矫正现象，只选取CRL中前KAC个候选云API作为溯因和矫正的对象，如下式所示：；

其中，L为溯因任务的输入以及需要被矫正的候选云API列表；

S6.3、为了刻画不同候选云API的重要程度，将候选云API对应的互补得分转换为权重，如下式所示：；

其中， 为候选云API 对应的权重；为sigmoid激活函数；为超参并且其值大于0用于平滑激活后的互补得分；

S6.4、利用得到的权重生成综合云API  ，如下式所示：；

综合云API   代表了步骤S5产生的推荐结果；

S6.5、利用溯因模型fAM推断得到与推荐结果最有可能互补的原因 ，如下式所示：；

溯因模型fAM与互补推荐阶段采用的方法具有相同的结构； 越大则说明推断原因 与真实原因qt之间的差异越小。

6.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S7中，具体包括：利用推断原因 和真实原因qt之间的差异得到溯因损失Aloss，如下式所示：；

其中，为sigmoid激活函数； 代表推断原因 和真实原因qt之间的差异。

7.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S8中，具体包括：以溯因损失最小化反向传播矫正推荐结果，如下式所示：；

其中， 为候选云API cj对应的互补得分，并且 。

8.根据权利要求1所述的一种基于逻辑推理和溯因矫正的云API互补推荐方法，其特征在于：在S9中，具体包括：按矫正后的互补得分对候选云API从大到小重新排序，如下式所示：；

其中， 为重新排序之后的互补推荐列表。