[发明专利]云服务推荐方法及装置

说明书

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。

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，在分布式系统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；