CN116415063A - 云服务推荐方法及装置 - Google Patents

Abstract

本申请提供一种云服务推荐方法及装置。所述方法包括：将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐。本申请实施例提供的云服务推荐方法能够向用户推荐精确的服务资源的同时，优化推荐的服务资源的受理耗时。

Description

云服务推荐方法及装置

技术领域

本申请涉及云服务技术领域，具体涉及一种云服务推荐方法及装置。

背景技术

云服务平台上的服务丰富多样。为向用户推荐合适的云服务，相关技术中，通过基于MapReduce并行计算模型，在分布式***中高效的进行频繁项集挖掘，并以频繁项集为样本，建立并训练深度学习网络后，通过训练好的深度学习网络向用户开展精确的服务资源推荐。

然而，根据服务提供方式的不同，服务的受理过程和服务受理时长往往也有较大的差异，而相关技术中并未考虑服务的服务受理时长，导致向用户推荐的服务资源的受理时间可能过长，进而影响用户体验。

发明内容

本申请实施例提供一种云服务推荐方法及装置，能够向用户推荐精确的服务资源的同时，优化推荐的服务资源的受理耗时。

第一方面，本申请实施例提供一种云服务推荐方法，包括：

将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

在一个实施例中，还包括：

根据Apriori算法，对历史订单中的各所述服务资源的资源种类进行频繁项提取，获取各种类频繁项；

根据各所述种类频繁项，从所述历史订单中，提取与各所述种类频繁项对应的各资源型号组合集；

根据各资源型号组合集中目标资源型号组合集的任一资源型号组合，在各所述资源型号组合集中的出现频率，从所述目标资源型号组合集中提取出现频率大于预设阈值的资源型号频繁项；

根据所述型号频繁项，以及与所述目标资源型号组合集对应的种类频繁项，确定所述资源频繁项；

根据所述资源频繁项集合以及各历史客户信息建立所述第一深度学习模型进行训练；

其中，所述资源型号组合中包括多个所述资源型号。

在一个实施例中，所述资源种类包括存储、内存、CPU中的至少一种。

在一个实施例中，还包括：

将各所述目标资源频繁项的服务受理时长，推送至与所述当前用户信息对应的用户终端。

在一个实施例中，所述资源频繁项在所述历史订单中的出现频次大于预设频次。

在一个实施例中，所述资源频繁项中至少包括一组耦合资源；

所述耦合资源为开展云服务资源入驻申请时，须同时申请的服务资源。

在一个实施例中，所述资源频繁项中各所述服务资源之间的资源种类不同。

第二方面，本申请实施例提供一种云服务推荐装置，包括：

频繁项确定模块，用于将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

时长确定模块，用于将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

服务推荐模块，用于根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的云服务推荐方法的步骤。

第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的云服务推荐方法的步骤。

本申请实施例提供的云服务推荐方法及装置，通过以服务资源的频繁项集合为样本进行训练后得到的第一深度学习模型，来为当前用户信息匹配对应的多个目标资源频繁项后，通过由服务资源的服务受理时长训练得到的第二深度学习模型，来从与当前用户信息匹配的多个目标资源频繁项中选取服务受理时长最小的目标资源频繁项进行服务推荐，从而在考虑推荐的服务资源的精确性的同时，兼顾了服务资源的服务受理时长，进而在能够向用户推荐精确的服务资源的同时，根据第二深度模型优化推荐的服务资源的受理耗时。且，无需用户单独对不同的服务资源进行选择，减少用户的申请耗时。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的云服务推荐方法的流程示意图；

图2是本发明实施例提供的种类频繁项的提取示意图；

图3是本发明实施例提供的型号频繁项的提取示意图；

图4是本发明实施例提供的资源频繁项的提取示意图；

图5是本发明提供的云服务推荐装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了更好地理解方案，对本发明实施例涉及的专业术语进行解释：

资源耦合性：在开展云服务资源入驻申请时，经常出现两种或两种以上的资源必须同时申请。如申请可视化分析数据服务时，必须同时选择存储、内存、CPU三种服务资源。这种必须同时申请的云服务资源性质称之为资源耦合性，对应的服务资源称之为耦合资源。

型号排他性：在开展入驻申请时，每种云服务资源的型号只能选择一种，如内存资源只能选2G、4G、8G、16G等多种型号中的一种。这种性质即为型号排他性。

下面，将通过几个具体的实施例对本申请实施例提供的云服务推荐方法进行详细介绍和说明。

如图1所示，在一实施例中，提供了一种云服务推荐方法。本实施例主要以该方法应用于计算机设备或服务器来举例说明。

参照图1，本实施例提供的一种云服务推荐方法包括：

步骤101，将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

步骤102，将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

步骤103，根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

通过以服务资源的频繁项集合为样本进行训练后得到的第一深度学习模型，来为当前用户信息匹配对应的多个目标资源频繁项后，通过由服务资源的服务受理时长训练得到的第二深度学习模型，来从与当前用户信息匹配的多个目标资源频繁项中选取服务受理时长最小的目标资源频繁项进行服务推荐，从而在考虑推荐的服务资源的精确性的同时，兼顾了服务资源的服务受理时长，进而在能够向用户推荐精确的服务资源的同时，根据第二深度模型优化推荐的服务资源的受理耗时。且，无需用户单独对不同的服务资源进行选择，减少用户的申请耗时。

在一实施例中，用户信息包括申请云服务的申请人姓名、申请的云服务的应用领域、申请的云服务的类型以及申请人编号等。

在一实施例中，历史订单包括多条历史订单数据，每条历史订单数据包括历史客户信息、该历史客户信息所申请的各服务资源以及该历史订单数据的受理时长，即该历史订单数据中各服务资源的受理时长。

在一实施例中，第一深度学习模型的训练方法，包括：

根据Apriori算法，对历史订单中的各所述服务资源的资源种类进行频繁项提取，获取各种类频繁项；

根据各所述种类频繁项，从所述历史订单中，提取与各所述种类频繁项对应的各资源型号组合集；

根据各资源型号组合集中目标资源型号组合集的任一资源型号组合，在各所述资源型号组合集中的出现频率，从所述目标资源型号组合集中提取出现频率大于预设阈值的资源型号频繁项；

根据所述型号频繁项，以及与所述目标资源型号组合集对应的种类频繁项，确定所述资源频繁项；

根据所述资源频繁项集合以及各历史客户信息建立所述第一深度学习模型进行训练；

其中，所述资源型号组合中包括多个所述资源型号。

在一实施例中，假设历史客户信息申请的各服务资源的资源种类集合，如存储、内存、CPU等为I＝{1，2，3……}，各服务资源的资源型号集合为J＝{1，2，3……}，则将申请的各服务资源的资源种类集合与资源型号集合进行整合，生成服务资源合集X＝{x_ij}，服务资源合集由多个服务资源组成。从而将该历史客户信息以及其对应的服务资源合集，以及该历史资源合集的受理时长，形成一条历史订单数据。

在一实施例中，预先在每条历史订单数据中，根据Apriori算法，提取服务资源的各种类频繁项。如历史订单数据中涉及到的服务资源的种类共有X1，X2，X3……Xn，通过Apriori算法，可提取到在各历史订单数据中多次出现的其中一个种类频繁项，即行频繁项可能为{X2，X3，X4}。如图2所示。

然后，再从历史订单的各历史订单数据中，提取与种类频繁项{X2，X3，X4}对应的各资源型号组合。如，在某一历史订单数据中，X2，X3，X4分别对应的资源型号组合为1，2，3，则种类频繁项{X2，X3，X4}对应的资源型号组合为{1，2，3}。示例性的，假设X2的种类为存储资源，X2的种类为内存资源，X3的种类为CPU资源，而某一历史订单数据中同时存在存储资源，内存资源，CPU资源，且该历史订单数据中记录的存储资源的型号为2G，内存资源为4G，CPU资源为6G，则种类频繁项{存储资源，内存资源，CPU资源}对应的资源型号组合为{2G，4G，6G}。

从每一条历史订单数据中，查找与该种类频繁项对应的资源型号组合，此时查找到的所有资源型号组合，即为资源型号组合集。如图3所示，图的左侧{X2，X3，X4}为种类频繁项，右侧中每条路径表示在历史订单数据中查找到的与该种类频繁项{X2，X3，X4}对应的资源型号组合。即{X2，X3，X4}对应的各资源型号组合有{1，1，1}、{1，2，1}、{1，2，2}、{2，1，1}等。

在提取各频繁项对应的各资源型号组合集后，针对任一种类频繁项，如{X2，X3，X4}，获取其对应的资源型号组合集作为目标资源型号组合集。然后，检测该目标资源型号组合集中任一资源型号组合在所有资源型号组合集中的出现频率。如检测{X2，X3，X4}对应的目标资源型号组合集中，{3，3，2}这一资源型号组合，在所有的资源型号组合集中出现的频率。若其出现频率大于预设值，则将其作为资源型号频繁项，即图3中的列频繁项，并与种类频繁项{X2，X3，X4}合并，形成资源频繁项LM＝{X23，X33，X42}，如图4所示。示例性的，假设{X2，X3，X4}为{存储资源，内存资源，CPU资源}，{3，3，2}为{2G，4G，6G}，则可确定资源频繁项为{存储资源-2G，内存资源-4G，CPU资源-6G}。

通过预先提取种类频繁项，再根据种类频繁项提取对应的型号频繁项以确定资源频繁项，从而无需对历史订单记录的所有服务资源进行遍历以搜索资源频繁项，有效减少搜索空间，进而达到提高搜索资源频繁项效率的目标。

在确定各资源频繁项后，根据各资源频繁项组成的资源频繁项集合L＝{L1，L2，……，LM}，以及历史客户信息G＝{g1，g2，……gm}，建立第一深度学习模型Model1。其中，g1，g2，……gm为历史客户信息中的元素，包括申请的云服务的应用领域、申请的云服务的类型等。然后，迭代地将历史客户信息G输入第一深度学习模型Model1，以使第一深度学习模型Model1输出对应的资源频繁项Ln并调整参数，直至输出的资源频繁项Ln与历史客户信息申请的各服务资源相似度满足预设要求，如大于设定值时，则判定第一深度学习模型Model1完成训练。

在一实施例中，在获取资源频繁项集合L后，还根据各资源频繁项组成的资源频繁项集合L，历史客户信息G以及各历史订单数据中记录的每个资源频繁项的受理时长，构建第二深度学习模型Model2。然后，迭代地将历史客户信息G与其对应的资源频繁项Ln组合输入第二深度学习模型Model2，以使第二深度学习模型Model2输出对应的受理时长并调整参数，直至输出的受理时长，与记录有该历史客户信息G与其对应的资源频繁项Ln的历史订单数据中的实际受理时长的时间差满足预设要求，如大于设定时间差时，则判定第二深度学习模型Model2完成训练。

在一实施例中，在完成第一深度学习模型和第二深度学习模型的训练后，即可将当前申请服务资源的当前用户信息输入到训练好的第一深度学习模型，以从频繁项集合中获取与当前用户信息相匹配的至少一个目标资源频繁项，然后再将各目标资源频繁项输入训练好的第二深度学习模型中，以确定目标资源频繁项的服务受理时长，从而能够预测用户可能申请的服务资源的服务受理时长，让用户获得对资源申请服务时长的心理预期。并从各目标资源频繁项中，提取服务受理时长最小的目标资源频繁项进行服务推荐，从而达到减少申请耗时的目标。

为使向用户推荐的目标资源频繁项更为准确，在一实施例中，所述资源频繁项在所述历史订单中的出现频次大于预设频次。

在一实施例中，在根据型号频繁项，以及与目标资源型号组合集对应的种类频繁项，确定资源频繁项后，检测该资源频繁项在历史订单的各历史订单数据中出现的频次；若其出现频次大于预设频次，则保留该资源频繁项；否则，删除该资源频繁项。

考虑到在开展云服务资源入驻申请时，经常出现两种或两种以上的资源必须同时申请，如申请可视化分析数据服务时，必须同时选择存储、内存、CPU三种服务资源。因此，为避免最终推荐的目标资源频繁项无法被受理，在一实施例中，所述资源频繁项中至少包括一组耦合资源；

所述耦合资源为开展云服务资源入驻申请时，须同时申请的服务资源。

示例性的，如图2中的X3，X4为一组耦合资源，则每个资源频繁项中包含X3或X4时，则必须包含X4或X3。且，每个资源频繁项需满足资源耦合性。

考虑到在开展入驻申请时，每种云服务资源的型号只能选择一种，因此为进一步避免最终推荐的目标资源频繁项无法被受理，在一实施例中，所述资源频繁项中各所述服务资源之间的资源种类不同。即所述资源频繁项中各所述服务资源之间需具有型号排他性。

在一实施例中，确定各目标资源频繁项的服务受理时长后，还包括：

将各所述目标资源频繁项的服务受理时长，推送至与所述当前用户信息对应的用户终端。

通过将各目标资源频繁项的服务受理时长推送至用户终端，使得用户可获知每个目标资源频繁项的服务受理时长，让用户获得对资源申请服务时长的心理预期，使用户在不选择推荐的目标资源频繁项时，可根据每个目标资源频繁项的服务受理时长，选择其可接收的服务受理时长的目标资源频繁项，无需单独挑选多个服务资源，减少由于挑选服务资源产生的服务申请耗时，提高用户体验。

下面对本发明提供的云服务推荐装置进行描述，下文描述的云服务推荐装置与上文描述的云服务推荐方法可相互对应参照。

在一实施例中，如图5所示，提供了一种云服务推荐装置，包括：

频繁项确定模块210，用于将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

时长确定模块220，用于将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

服务推荐模块230，用于根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

在一实施例中，频繁项确定模块210还用于：

根据Apriori算法，对历史订单中的各所述服务资源的资源种类进行频繁项提取，获取各种类频繁项；

根据各所述种类频繁项，从所述历史订单中，提取与各所述种类频繁项对应的各资源型号组合集；

根据各资源型号组合集中目标资源型号组合集的任一资源型号组合，在各所述资源型号组合集中的出现频率，从所述目标资源型号组合集中提取出现频率大于预设阈值的资源型号频繁项；

根据所述型号频繁项，以及与所述目标资源型号组合集对应的种类频繁项，确定所述资源频繁项；

根据所述资源频繁项集合以及各历史客户信息建立所述第一深度学习模型进行训练；

其中，所述资源型号组合中包括多个所述资源型号。

在一实施例中，所述资源种类包括存储、内存、CPU中的至少一种。

在一实施例中，服务推荐模块230还用于：

将各所述目标资源频繁项的服务受理时长，推送至与所述当前用户信息对应的用户终端。

在一实施例中，所述资源频繁项在所述历史订单中的出现频次大于预设频次。

在一实施例中，所述资源频繁项中至少包括一组耦合资源；

所述耦合资源为开展云服务资源入驻申请时，须同时申请的服务资源。

在一实施例中，所述资源频繁项中各所述服务资源之间的资源种类不同。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communication Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序，以执行云服务推荐方法的步骤，例如包括：

将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的云服务推荐方法的步骤，例如包括：

将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：

将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种云服务推荐方法，其特征在于，包括：

将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

2.根据权利要求1所述的云服务推荐方法，其特征在于，还包括：

根据Apriori算法，对历史订单中的各所述服务资源的资源种类进行频繁项提取，获取各种类频繁项；

根据各所述种类频繁项，从所述历史订单中，提取与各所述种类频繁项对应的各资源型号组合集；

根据各资源型号组合集中目标资源型号组合集的任一资源型号组合，在各所述资源型号组合集中的出现频率，从所述目标资源型号组合集中提取出现频率大于预设阈值的资源型号频繁项；

根据所述型号频繁项，以及与所述目标资源型号组合集对应的种类频繁项，确定所述资源频繁项；

根据所述资源频繁项集合以及各历史客户信息建立所述第一深度学习模型进行训练；

其中，所述资源型号组合中包括多个所述资源型号。

3.根据权利要求2所述的云服务推荐方法，其特征在于，所述资源种类包括存储、内存、CPU中的至少一种。

4.根据权利要求1所述的云服务推荐方法，其特征在于，还包括：

将各所述目标资源频繁项的服务受理时长，推送至与所述当前用户信息对应的用户终端。

5.根据权利要求1-4任意一项所述的云服务推荐方法，其特征在于，所述资源频繁项在所述历史订单中的出现频次大于预设频次。

6.根据权利要求1-4任意一项所述的云服务推荐方法，其特征在于，所述资源频繁项中至少包括一组耦合资源；

所述耦合资源为开展云服务资源入驻申请时，须同时申请的服务资源。

7.根据权利要求1-4任意一项所述的云服务推荐方法，其特征在于，所述资源频繁项中各所述服务资源之间的资源种类不同。

8.一种云服务推荐装置，包括：

频繁项确定模块，用于将当前用户信息输入训练好的第一深度学习模型，以根据所述第一深度学习模型，从由历史订单的各服务资源形成的频繁项集合中，确定与所述当前用户信息相匹配的至少一个目标资源频繁项；

时长确定模块，用于将各目标资源频繁项输入训练好的第二深度学习模型，确定各所述目标资源频繁项的服务受理时长；

服务推荐模块，用于根据各所述目标资源频繁项的服务受理时长，获取服务受理时长最小的所述目标资源频繁项进行服务推荐；

其中，所述第一深度学习模型由所述历史订单中的各历史客户信息以及所述频繁项集合训练得到，所述频繁项集合包括多个资源频繁项，所述资源频繁项包括多个所述服务资源；

所述第二深度学习模型由各所述历史客户信息、所述频繁项集合以及所述历史订单的各服务资源的服务受理时长训练得到。

9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的云服务推荐方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的云服务推荐方法的步骤。

Images