專利名稱：一種基于多屬性匹配的云服務(wù)推薦方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明運(yùn)用于計算機(jī)服務(wù)領(lǐng)域，具體為一種基于多屬性匹配的云服務(wù)推薦方法及
直O(jiān)
背景技術(shù)：
隨著網(wǎng)絡(luò)與信息科技的發(fā)展，在過去的十年中公共計算資源需求呈指數(shù)型增長。 但是各個企業(yè)之間的計算資源分配不均衡，對于一些中小型公司，由于負(fù)擔(dān)不起高昂的基礎(chǔ)設(shè)施建設(shè)和服務(wù)管理費(fèi)用，使得缺少計算資源成為其發(fā)展的重大阻礙。對于一些大型的跨國公司如AmaZ0n，IBM, Microsoft和Google，如何提高大規(guī)模私有計算資源和減少資源維護(hù)的費(fèi)用成為困擾各大跨國公司首席信息官的重大難題。云計算的提出并實現(xiàn)，以及計算資源業(yè)務(wù)可作為繼水、電、煤、氣后第五類支付即可用的日用品，讓大型跨國公司與中小型企業(yè)之間的差距逐步縮小。云計算是一種新的多租戶計算范例，它可以通過互聯(lián)網(wǎng)向客戶提供多種多樣的應(yīng)用服務(wù)和計算資源。云服務(wù)提供商們可通過租賃空閑計算資源這種服務(wù)給客戶而獲得長久的收益。然而，由于云服務(wù)具有動態(tài)性、多租戶、一次使用性，因此必須向客戶保證云服務(wù)的交貨。通常情況下，客戶是通過云服務(wù)推薦系統(tǒng)CRS (又稱云服務(wù)中間商)來選擇和購買云服務(wù)提供商的服務(wù)方案。CRS作為一套裝置，可用來加強(qiáng)云服務(wù)的選擇和交易的可靠性，這種加強(qiáng)包括云服務(wù)的發(fā)布、云服務(wù)解決方案的檢索、創(chuàng)建完整的選擇策略，甚至大幅度提高交易的安全性等。大多數(shù)大型跨國云服務(wù)提供商傾向于在CRS上發(fā)布云服務(wù)解決方案來吸引客戶，客戶也樂于從具有服務(wù)推薦和交易監(jiān)控的CRS中獲得更多的效益。傳統(tǒng)的推薦系統(tǒng)在實踐中主要面臨兩種挑戰(zhàn)，其一是在系統(tǒng)中整合服務(wù)方案的匹配算法或推薦算法，其二是在云業(yè)務(wù)交易過程中恰當(dāng)?shù)匾敕?wù)監(jiān)控機(jī)制。此外，功能屬性(如CPU運(yùn)算能力、內(nèi)存和外存容量大小)作為云服務(wù)的基本屬性，在傳統(tǒng)云服務(wù)選擇過程中也是作為推薦標(biāo)準(zhǔn)來應(yīng)用的?？尚判訯0S在動態(tài)云服務(wù)選擇過程中也是一種重要因素，因為許多提供商發(fā)布了具有相同的功能屬性的云服務(wù)，但Q0S 保障卻不同。因此有必要建立一種多屬性匹配機(jī)制，這種機(jī)制能夠讓云服務(wù)客戶的需求和服務(wù)商提供的云服務(wù)解決方案對于功能和Qos的屬性達(dá)成一致。云服務(wù)探索和選擇是一個廣泛性的研究課題，然而，由于云服務(wù)本質(zhì)特征多樣性， 而且不同的人對此也持有不同的觀點(diǎn)，所以罕有統(tǒng)一的云推薦系統(tǒng)模型。雖然許多學(xué)者致力于設(shè)計和發(fā)展云服務(wù)語義的描述框架和自動協(xié)商算法，但忽略了其它的一些CRS問題， 比如多屬性云服務(wù)匹配算法和云服務(wù)推薦方法。為此，本發(fā)明著重于一種基于多屬性匹配的云服務(wù)推薦方法及裝置，使得云服務(wù)推薦可交互化，從而提高云服務(wù)供求匹配算法的適用性
發(fā)明內(nèi)容
本發(fā)明目的是提供一種基于多屬性匹配的云服務(wù)推薦方法及裝置，以實現(xiàn)云服務(wù)推薦系統(tǒng)中多屬性云服務(wù)解決方案的匹配與推薦。為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為一種基于多屬性匹配的云服務(wù)推薦方法，由云服務(wù)提供商向云服務(wù)推薦裝置發(fā)布云服務(wù)解決方案，由云服務(wù)客戶向云服務(wù)推薦裝置發(fā)布云服務(wù)需求，其特征在于分別從云服務(wù)解決方案中獲取解決方案的屬性集、解決方案屬性集的匹配特征、解決方案的實際值， 從云服需求中獲取需求的屬性集、需求屬性集的匹配特征、需求的期望值，并按以下步驟執(zhí)行(1)將客戶向云服務(wù)推薦裝置發(fā)布的云服務(wù)需求的集合記作CSi (i = 1，...，I)， 云服務(wù)商向云服務(wù)推薦裝置發(fā)布的云服務(wù)解決方案的集合記作csjj = 1，. . .，J)，設(shè)定CSi 與在發(fā)布時兩者具有相同屬性子集，即CSi與具有相同功能屬性和可信屬性，且每個屬性子集均包括功能屬性和可信屬性，將CSi與Ci^分別由“軟件服務(wù)需求規(guī)約文檔”和 “備選方案規(guī)約文檔”規(guī)格化為向量[FA，QA, MCF, MCQ]；在所述Csi與CSj共同規(guī)格化后的向量中，定義FA = Ifa1, ... , faN}為功能屬性集，QA = Iqa1, ... , qaM}為可信屬性集，MCF =Imcf1, ...，mcfj為FA的匹配特征集，MCQ = Imcq1, ...，mcqM}為QA的匹配特征集；(2)令mcfn(l 彡 η 彡 N) e MCF,mcfn = {"benefit","cost","hard constraint”} 為功能屬性ftin(l彡η彡N)的匹配特征，并定義FVc = Ifv1, ... , fvN}、FVp = {fvpa,..., fvp, J分別為CSi與(^j在FA上的期望值與實際值；令mcqm (1彡m彡M) e MCQ, mcqm = { "benefit", "cost"}為可信屬性qiim(l彡m彡Μ)的匹配特征，并定義QV。= {qvi; ···， qvM}，QVp = {qvpa, ... , qvp,M}分別為CSi與q在QA上的期望值與實際值；(3)對所述云服務(wù)解決方案與云服務(wù)需求中相應(yīng)各功能屬性進(jìn)行比對，并計算相應(yīng)的各功能屬性的匹配度，然后將所有符合條件的云服務(wù)解決方案作為匹配集；(4)對所述云服務(wù)解決方案相應(yīng)可信屬性進(jìn)行比對，并估算可信屬性匹配度，然后結(jié)合可信屬性權(quán)重與方案匹配度獲得綜合匹配度，其中可信屬性權(quán)重由加權(quán)方法得到，方案匹配度由各功能屬性匹配度求和得到；(5)根據(jù)步驟C3)所得匹配集中，以及根據(jù)步驟(4)得到的各個匹配方案的綜合匹配度，結(jié)合歷史客戶評價計算推薦度并對其排序，將符合條件的匹配方案歸入推薦集。所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟C3)具體過程如下(1)首先令(11，...，屯為(^與(^之間在？六上的匹配度，其中(11^= 1，...，N) 為CSi與(3 在第％個屬性上的匹配度；(2)對于匹配特征“benefit”，如果滿足fvp, n彡fvn，就令dk = fvp.n/fVn，否則dk =0，對于匹配特征“cost”，如果滿足fvp,n彡fvn，就使得dk = l+(fVp,n-fVn)/fVp,n，否則dk =0，對于匹配特征“hard constraint”，如果fvp,n = fvn，就使得dk = 1，否則dk = 0 ；當(dāng)對于任意dn(l < η < N)，都有dn > 0，則成功匹配所述云服務(wù)解決方案屬性中的實際值；(3)根據(jù)步驟(2)得出一條CSj上各個功能屬性的匹配度mdp,n(l彡η彡N)，匹配度mdp,n即為步驟O)中得出的dk值，mdp,n大于0時標(biāo)記為TRUE，否則標(biāo)記為FALSE，并對所有mdp,n(l彡η彡N)標(biāo)記做與運(yùn)算，結(jié)果為FALSE則將該條方案剔除，否則作為匹配方案歸入匹配集，令Π為匹配成功的方案條數(shù)，初始為0，利用Hldp = mdp+ Σ，電“！！^初始為0)計算匹配成功方案的匹配度。所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟(4)具體過程如下(1)令屯，...，dM為Csi與⑶」之間在QA上的匹配度，其中dk(k= 1，...，Μ)為 CSi與(3 在第％個屬性上的匹配度；(2)對于匹配特征“benefit”，判斷如果滿足qvp, ffl ^ qvm，就使得dk = qvp, ffl/qvffl, 否則dk = 0，對于匹配特征“cost”，判斷如果滿足qvp,m彡qvm，就使得dk = l+(qvp,ffl-qvffl)/ qVp,m，否則dk = 0;(3) ^wm(m = 1，. . .，M)為各可信屬性上的權(quán)值，利用mdp = rndp+wmXdm,由可信屬性各屬性匹配度dm乘上各自權(quán)值wm，并與權(quán)利要求2中得到的匹配度求和，作為各個匹配方案新的匹配度，記作綜合匹配度MDegree。所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所得匹配集中，根據(jù)各個匹配方案的綜合匹配度和歷史客戶評價計算推薦度并對其排序，將符合條件的匹配方案歸入推薦集，具體過程如下令rdj.^e
為使用過云服務(wù)的客戶Ctl(KqSQ)對云服務(wù)商所提供方案 CSj的客戶評價，歷史客戶評價RDegree，rdj是⑶」的一組評價方法，計算公式為
Ρ·10、8 rd. , 0>0Vdj=I Q 厶—]Λ 乂 ,(公式 1)
1Q = O其中Q為中客戶組的規(guī)模，ΙηΟ +10)為尺度因子，
一方案客戶評價的求和，若rc^. > 0，則代入公式2，計算出推薦熵Hj = -mdjrdjlogMjrdj)(公式 2)將推薦熵代入到公式3中得到tdj作為CRS對方案CSj (j = 1， TotalDegree，計算公式為
d -mdj-rdj \og(jnd,d)、Jι MdiVdi Iog(MdiFdi)(厶式 3)如果tc^.小于客戶所要求的閾值則將此匹配方案從匹配方案集中剔除，最終將符合要求的匹配方案集更新為推薦方案集Rc = { (CSj, tdj) }。所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟中，加權(quán)方法采用層次分析法，或簡單加權(quán)法，或逼近理想解排序法。一種云服務(wù)推薦裝置，其特征在于包括以下功能模塊云服務(wù)需求發(fā)布模塊，供云服務(wù)客戶通過圖形用戶界面發(fā)布指定的云服務(wù)需求；估算屬性匹配度模塊，用于獲取功能屬性匹配度和可信屬性匹配度；生成匹配集模塊，用于通過功能屬性和可信屬性比對，將云服務(wù)解決方案集中符合匹配要求的方案歸入匹配集中；客戶評價獲取模塊，用于讓客戶對所使用的云服解決務(wù)方案進(jìn)行評價，并將評價結(jié)果應(yīng)用與將來的推薦過程中；生成推薦集模塊，在匹配集的基礎(chǔ)上通過歷史客戶評價和匹配方案的綜合匹配度得到推薦度，進(jìn)一步篩選匹配集為推薦集。
6
,,9為多個客戶對同 ...，J)的推薦度
所述的一種云服務(wù)推薦裝置，其特征在于還包括展示模塊，展示模塊用于將云服解決務(wù)方案、客戶需求信息、云服務(wù)匹配推薦數(shù)據(jù)分別以圖形用戶界面供云服務(wù)商和云服務(wù)客戶操作或展示。與現(xiàn)有技術(shù)相比，本發(fā)明實施例所述的方法和裝置，運(yùn)用了多屬性匹配的特點(diǎn)，展現(xiàn)了一種同時考慮到功能屬性和可信屬性的新穎云服務(wù)匹配算法，從而解決了傳統(tǒng)推薦系統(tǒng)所面臨的兩個問題其一是如何在自動推薦方案系統(tǒng)中整合匹配算法或推薦算法；其二是在云業(yè)務(wù)交易過程中恰當(dāng)?shù)匾敕?wù)監(jiān)控機(jī)制。相對于傳統(tǒng)匹配推薦方法本發(fā)明增加了可信屬性匹配，以及由客戶反饋評價所得歷史客戶評價的比對，使得云服務(wù)客戶可以尋找到更準(zhǔn)確更優(yōu)效的云服務(wù)匹配方案。


圖1是本發(fā)明的一種基于多屬性匹配的云服務(wù)推薦方法實施例1的流程圖。圖2是本發(fā)明的一種基于多屬性匹配的云服務(wù)推薦方法實施例2的流程圖。圖3是本發(fā)明的一種基于多屬性匹配的云服務(wù)推薦裝置實施例1的結(jié)構(gòu)示意圖。
具體實施例方式本發(fā)明可用于眾多通用或?qū)Ｓ玫挠嬎阊b置環(huán)境或配置中，例如個人計算機(jī)、服務(wù)器計算機(jī)、手持設(shè)備或便攜式設(shè)備、平板型設(shè)備、多處理器裝置、包括以上任何裝置或設(shè)備的分布式計算環(huán)境等等。本發(fā)明可以在由計算機(jī)執(zhí)行的計算機(jī)可執(zhí)行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的例程、程序、對象、組建、數(shù)據(jù)結(jié)構(gòu)等等。也可以在分布式計算環(huán)境中實踐本發(fā)明，在這些分布式計算環(huán)境中，由通過通信網(wǎng)絡(luò)而被連接的遠(yuǎn)程處理設(shè)備來執(zhí)行任務(wù)。在分布式計算環(huán)境中，程序模塊可以位于包括存儲設(shè)備在內(nèi)的本地和遠(yuǎn)程計算機(jī)存儲介質(zhì)中。為了使得本領(lǐng)域技術(shù)人員能夠更清楚地了解本發(fā)明的技術(shù)方案，下面對多屬性云服務(wù)匹配推薦的原理做一個詳細(xì)的介紹。參考圖1，示出了本發(fā)明的一種多屬性的云服務(wù)匹配推薦方法實施例1的流程圖， 可以包括以下步驟步驟101 分別從云服務(wù)解決方案中獲取屬性集及其匹配特征與實際值，從云服需求中獲取屬性集及其匹配特征與期望值。每條云服務(wù)解決方案包括方案編號、功能屬性(包括CPU運(yùn)算能力、內(nèi)存大小、外存大小等)，Qos屬性(包括方案效率、網(wǎng)絡(luò)延遲時間、運(yùn)行時間等)?？蛻敉ㄟ^GUI填寫一些必要信息(如所需云服務(wù)類型、客戶名稱、需求發(fā)布時間、需求截止時間、需求方案條數(shù)) 與所需方案的功能屬性和Qos屬性的匹配特征與期望值。步驟102 對所述云服務(wù)解決方案與云服務(wù)需求中相應(yīng)各功能屬性進(jìn)行比對，以及，計算各功能屬性匹配度，并將符合條件的云服務(wù)解決方案歸入匹配集。在實際應(yīng)用中，依次逐條將云服務(wù)解決方案的屬性匹配特征和實際值與云服務(wù)需求的屬性匹配特征和期望值進(jìn)行比對。在比對中如果一條云服務(wù)解決方案的一個功能屬性匹配度大于0，則標(biāo)記為“TRUE”，否則為“FALSE”，對所有功能屬性標(biāo)記做與運(yùn)算，若結(jié)果為“FALSE”，則將相應(yīng)云服務(wù)解決方案剔除，若結(jié)果為“TRUE”，則將相應(yīng)云服務(wù)解決方案歸入匹配集，并使得功能匹配度為所有功能屬性匹配度之和，同時記錄下匹配集中方案的條數(shù)。步驟103 對所述云服務(wù)解決方案相應(yīng)各Qos屬性進(jìn)行比對，以及，估算Qos屬性匹配度，并結(jié)合Q0S權(quán)重與方案匹配度獲得綜合匹配度。利用Qos各個屬性匹配度乘上屬性權(quán)值，與前面得到的方案匹配度求和，得到匹配方案的綜合匹配度，并在原有匹配集的基礎(chǔ)上更新匹配集中每條方案的匹配度為綜合匹配度。步驟104 所得匹配集中，根據(jù)各個匹配方案的綜合匹配度和歷史客戶評價，計算推薦度并對其排序，歸入推薦集。經(jīng)過步驟102和步驟103后，判斷匹配集中方案的條數(shù)是否達(dá)到客戶要求的數(shù)量， 或云服務(wù)解決方案已經(jīng)比對完了，若滿足任一條件，停止比對并形成最終的匹配集，否則繼續(xù)比對。匹配集中每種方案都有使用過該方案的一個或多個客戶對該方案進(jìn)行的評價，利用公式1將這些評價轉(zhuǎn)換成歷史客戶評價，若歷史客戶評價大于0，利用公式2分別計算出所有匹配方案的推薦熵。分別將這些推薦熵代入公式3獲取所有匹配方案的推薦度。依次判斷各推薦度是否小于客戶要求的閾值，如果是，則將此匹配方案剔除，剩下方案均為最終推薦方案，由CRS推薦給云服務(wù)客戶進(jìn)行選取。在本實施例中，可以看出，運(yùn)用了 Qos屬性加權(quán)匹配和客戶評價推薦，在功能屬性匹配集的基礎(chǔ)上再進(jìn)行Qos屬性加權(quán)匹配篩選匹配集和客戶評價推薦篩選匹配集，所得匹配推薦方案較之普通多屬性匹配在匹配準(zhǔn)確性和優(yōu)效性上得到很大的提高。參考圖2，示出了本發(fā)明的一種基于多屬性匹配的云服務(wù)推薦方法實施例2的流程圖，可以包括以下步驟步驟201 分別從云服務(wù)解決方案中獲取屬性集及其匹配特征與實際值，從云服需求中獲取屬性集及其匹配特征與期望值。在實際應(yīng)用中，所述云服務(wù)解決方案和云服務(wù)需求中的記錄數(shù)目可以不相同，也可以相同。例如，所述云服務(wù)解決方案如表1所示，所述云服務(wù)需求如客戶向CRS發(fā)布的一條或多條云服務(wù)需求。 表 權(quán)利要求
1.一種基于多屬性匹配的云服務(wù)推薦方法，由云服務(wù)提供商向云服務(wù)推薦裝置發(fā)布云服務(wù)解決方案，由云服務(wù)客戶向云服務(wù)推薦裝置發(fā)布云服務(wù)需求，其特征在于分別從云服務(wù)解決方案中獲取解決方案的屬性集、解決方案屬性集的匹配特征、解決方案的實際值， 從云服需求中獲取需求的屬性集、需求屬性集的匹配特征、需求的期望值，并按以下步驟執(zhí)行(1)將客戶向云服務(wù)推薦裝置發(fā)布的云服務(wù)需求的集合記作CSi(i = 1，...，I)，云服務(wù)商向云服務(wù)推薦裝置發(fā)布的云服務(wù)解決方案的集合記作Ciij(j = 1，. . .，J)，設(shè)定Csi與 ⑶」在發(fā)布時兩者具有相同屬性子集，即CSi與具有相同功能屬性和可信屬性，且每個屬性子集均包括功能屬性和可信屬性，將CSi與Ci^分別由“軟件服務(wù)需求規(guī)約文檔”和“備選方案規(guī)約文檔”規(guī)格化為向量[FA，QA, MCF, MCQ]；在所述Csi與共同規(guī)格化后的向量中，定義FA = Ifa1, ... , faN}為功能屬性集，QA = Iqa1, ... , qaM}為可信屬性集，MCF = Imcf1, ...，mcfN}為FA的匹配特征集，MCQ = Imcq1, ...，mcqM}為QA的匹配特征集；(2)令mcfn(l 彡 η 彡 N) e MCF, mcfn = { "benefit", "cost", "hard constraint，，} 為功能屬性ftin(l彡η彡N)的匹配特征，并定義FVc = Ifv1, ... , FvJ、FVp = {fvpa,..., fvp, J分別為CSi與(^j在FA上的期望值與實際值；令mcqm (1彡m彡M) e MCQ, mcqm = { "benefit", "cost"}為可信屬性qiim(l彡m彡Μ)的匹配特征，并定義QV。= {qvi; ···， qvM}，QVp = {qvpa, ... , qvp,M}分別為CSi與q在QA上的期望值與實際值；(3)對所述云服務(wù)解決方案與云服務(wù)需求中相應(yīng)各功能屬性進(jìn)行比對，并計算相應(yīng)的各功能屬性的匹配度，然后將所有符合條件的云服務(wù)解決方案作為匹配集；(4)對所述云服務(wù)解決方案相應(yīng)可信屬性進(jìn)行比對，并估算可信屬性匹配度，然后結(jié)合可信屬性權(quán)重與方案匹配度獲得綜合匹配度，其中可信屬性權(quán)重由加權(quán)方法得到，方案匹配度由各功能屬性匹配度求和得到；(5)根據(jù)步驟C3)所得匹配集中，以及根據(jù)步驟(4)得到的各個匹配方案的綜合匹配度，結(jié)合歷史客戶評價計算推薦度并對其排序，將符合條件的匹配方案歸入推薦集。
2.根據(jù)權(quán)利要求1所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟(3)具體過程如下(1)首先令屯，...,屯為(^與(^」之間在？4上的匹配度，其中4&=1，...，N)為 CSi與(3 在第％個屬性上的匹配度；(2)對于匹配特征“benefit”，如果滿足fvp,n彡fvn，就令dk= fvp,n/fVn，否則dk = 0， 對于匹配特征“cost”，如果滿足fvp,n彡fVn，就使得dk = l+(fVp,n-fVn)/fVp,n，否則dk = 0， 對于匹配特征“hard constraint”，如果fvp,n = fvn，就使得dk = 1，否則dk = 0 ；當(dāng)對于任意dn(l < η < N)，都有dn > 0，則成功匹配所述云服務(wù)解決方案屬性中的實際值；(3)根據(jù)步驟(2)得出一條⑶」上各個功能屬性的匹配度mdp,n(l<n<N)，匹配度mdp, 即為步驟(2)中得出的dk值，mdp,n大于0時標(biāo)記為TRUE，否則標(biāo)記為FALSE，并對所有mdp,標(biāo)記做與運(yùn)算，結(jié)果為FALSE則將該條方案剔除，否則作為匹配方案歸入匹配集，令n為匹配成功的方案條數(shù)，初始為0，利用mdp = mdp+ Σ #dp,n(mdp初始為0)計算匹配成功方案的匹配度。
3.根據(jù)權(quán)利要求1所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟(4)具體過程如下(1)令Cl1,...，dM為Csi與(^j之間在QA上的匹配度，其中dk(k=1，...，M)為(3&與 (^j在第％個屬性上的匹配度；(2)對于匹配特征“benefit”，判斷如果滿足qvp,m彡qvffl,就使得dk = qvp, ffl/qvffl,否則 dk = 0，對于匹配特征“cost”，判斷如果滿足qvp,m彡qvm，就使得dk = 1+(qvp,m-qvm)/qvp,m, 否則dk = 0 ；(3)^wm(m = 1，. . .，M)為各可信屬性上的權(quán)值，利用mdp = rndp+wmXdm,由可信屬性各屬性匹配度dm乘上各自權(quán)值wm，并與權(quán)利要求2中得到的匹配度求和，作為各個匹配方案新的匹配度，記作綜合匹配度MDegree。
4.根據(jù)權(quán)利要求2或3所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于 所得匹配集中，根據(jù)各個匹配方案的綜合匹配度和歷史客戶評價計算推薦度并對其排序， 將符合條件的匹配方案歸入推薦集，具體過程如下令rd“ e
為使用過云服務(wù)的客戶 (1彡q彡Q)對云服務(wù)商所提供方案Csj的客戶評價，歷史客戶評價RDegree，rdj是的一組評價方法，計算公式為其中Q為中客戶組的規(guī)模，ln(Q+10)為尺度因子，Σ，=/< 9為多個客戶對同一方案客戶評價的求和，若rc^. > 0，則代入公式2，計算出推薦熵 Hj = -mdj-rdjlog (mdj-rdj)(公式 2)將推薦熵代入到公式3中得到tc^.作為CRS對方案0~(」=1，...，J)的推薦度 TotalDegree，計算公式為如果tc^.小于客戶所要求的閾值則將此匹配方案從匹配方案集中剔除，最終將符合要求的匹配方案集更新為推薦方案集Rc = { (CSj, tdj) }。
5.根據(jù)權(quán)利要求1所述的一種基于多屬性匹配的云服務(wù)推薦方法，其特征在于所述步驟(4)中，加權(quán)方法采用層次分析法，或簡單加權(quán)法，或逼近理想解排序法。
6.一種云服務(wù)推薦裝置，其特征在于包括以下功能模塊云服務(wù)需求發(fā)布模塊，供云服務(wù)客戶通過圖形用戶界面發(fā)布指定的云服務(wù)需求； 估算屬性匹配度模塊，用于獲取功能屬性匹配度和可信屬性匹配度； 生成匹配集模塊，用于通過功能屬性和可信屬性比對，將云服務(wù)解決方案集中符合匹配要求的方案歸入匹配集中；客戶評價獲取模塊，用于讓客戶對所使用的云服解決務(wù)方案進(jìn)行評價，并將評價結(jié)果應(yīng)用與將來的推薦過程中；生成推薦集模塊，在匹配集的基礎(chǔ)上通過歷史客戶評價和匹配方案的綜合匹配度得到推薦度，進(jìn)一步篩選匹配集為推薦集。
7.根據(jù)權(quán)利要求6所述的一種云服務(wù)推薦裝置，其特征在于還包括展示模塊，展示模塊用于將云服解決務(wù)方案、客戶需求信息、云服務(wù)匹配推薦數(shù)據(jù)分別以圖形用戶界面供云服務(wù)商和云服務(wù)客戶操作或展示。
全文摘要
本發(fā)明公開了一種基于多屬性匹配的云服務(wù)推薦方法及裝置，由云服務(wù)提供商向云服務(wù)推薦裝置發(fā)布云服務(wù)解決方案，由云服務(wù)客戶向運(yùn)服務(wù)推薦裝置發(fā)布云服務(wù)需求，分別從云服務(wù)解決方案中獲取屬性集及其匹配特征與實際值，從云服需求中獲取屬性集及其匹配特征與期望值；對云服務(wù)解決方案與云服務(wù)需求中相應(yīng)各功能屬性進(jìn)行比對以及計算各功能屬性匹配度，并將符合條件的云服務(wù)解決方案歸入匹配集；對云服務(wù)解決方案相應(yīng)各可信屬性進(jìn)行比對以及估算可信屬性匹配度，并結(jié)合可信權(quán)重與方案匹配度獲得綜合匹配度；所得匹配集中，根據(jù)各個匹配方案的綜合匹配度和歷史客戶評價，計算推薦度并對其排序，將符合條件的匹配方案歸入推薦集。
文檔編號H04L29/08GK102523247SQ20111037716
公開日2012年6月27日 申請日期2011年11月24日 優(yōu)先權(quán)日2011年11月24日
發(fā)明者丁帥, 楊善林, 楊露, 羅賀, 胡笑旋, 馬華偉 申請人:合肥工業(yè)大學(xué)