API（Application Programming Interface）作为软件工具包、软件框架等应用程序的功能访问接口,在日常的软件开发任务中被广泛使用。当前由于很多帮助文档存在质量不高、代码示例不完整等问题,导致开发人员经常面临API使用问题。近年来,随着大数据和人工智能技术在代码搜索和推荐领域取得的研究进展,很多学者在API使用模式推荐问题上做了相关研究和探索,并取得了一系列研究成果。但API使用模式推荐方法在上下文信息的利用上还存在不足之处。一方面,由于未充分利用上下文结构和语义信息,导致推荐结果产生冗余和同质化,影响推荐性能。另一方面,在上下文信息不足时,推荐易陷入“冷启动”,导致推荐性能受到影响。针对上述问题,本文在API粒度上研究上下文与API之间及API与API之间更丰富的关系表示,以帮助挖掘更多有价值的信息,提高API使用模式推荐性能。本文分别从结构和语义关系上研究上下文与API的相关性及API与API的关联性,并结合相关性和关联性,在推荐中对初始候选结果进行重排,设计了一种面向多样性的API推荐方法（CAPIRD）。其中,为了减少上下文冗余项和模式冗余项,分别考虑相似上下文的API使用信息和关联模式,以尽可能减少推荐结果产生冗余;同时平衡API之间的差异性,以尽可能降低同质化API被推荐的可能性。针对API推荐领域的“冷启动”问题,本文对细粒度的API使用关系和API属性信息进行研究,设计了一种基于图学习的API推荐方法（GLAPI）。方法中引入图学习机制来融合API结构和属性信息,从而学习API深层的特征表示,以增强上下文信息表示,提高API预测能力。为了验证方法的推荐性能,在2210个Java项目构成的3类数据集上进行实验。实验结果表明,方法CAPIRD和GLAPI在MAP（Mean Average Precision）指标和成功率（Success Rate）指标上都优于基线方法。