CN102523247B - 一种基于多属性匹配的云服务推荐方法及装置 - Google Patents

Abstract

本发明公开了一种基于多属性匹配的云服务推荐方法及装置，由云服务提供商向云服务推荐装置发布云服务解决方案，由云服务客户向运服务推荐装置发布云服务需求，分别从云服务解决方案中获取属性集及其匹配特征与实际值，从云服需求中获取属性集及其匹配特征与期望值；对云服务解决方案与云服务需求中相应各功能属性进行比对以及计算各功能属性匹配度，并将符合条件的云服务解决方案归入匹配集；对云服务解决方案相应各可信属性进行比对以及估算可信属性匹配度，并结合可信权重与方案匹配度获得综合匹配度；所得匹配集中，根据各个匹配方案的综合匹配度和历史客户评价，计算推荐度并对其排序，将符合条件的匹配方案归入推荐集。

Description

一种基于多属性匹配的云服务推荐方法及装置

技术领域

本发明运用于计算机服务领域，具体为一种基于多属性匹配的云服务推荐方法及装置。

背景技术

随着网络与信息科技的发展，在过去的十年中公共计算资源需求呈指数型增长。但是各个企业之间的计算资源分配不均衡，对于一些中小型公司，由于负担不起高昂的基础设施建设和服务管理费用，使得缺少计算资源成为其发展的重大阻碍。对于一些大型的跨国公司如：Amazon，IBM，Microsoft和Google，如何提高大规模私有计算资源和减少资源维护的费用成为困扰各大跨国公司首席信息官的重大难题。云计算的提出并实现，以及计算资源业务可作为继水、电、煤、气后第五类支付即可用的日用品，让大型跨国公司与中小型企业之间的差距逐步缩小。

云计算是一种新的多租户计算范例，它可以通过互联网向客户提供多种多样的应用服务和计算资源。云服务提供商们可通过租赁空闲计算资源这种服务给客户而获得长久的收益。然而，由于云服务具有动态性、多租户、一次使用性，因此必须向客户保证云服务的交货。通常情况下，客户是通过云服务推荐系统CRS(又称云服务中间商)来选择和购买云服务提供商的服务方案。

CRS作为一套装置，可用来加强云服务的选择和交易的可靠性，这种加强包括云服务的发布、云服务解决方案的检索、创建完整的选择策略，甚至大幅度提高交易的安全性等。大多数大型跨国云服务提供商倾向于在CRS上发布云服务解决方案来吸引客户，客户也乐于从具有服务推荐和交易监控的CRS中获得更多的效益。传统的推荐系统在实践中主要面临两种挑战，其一是在系统中整合服务方案的匹配算法或推荐算法，其二是在云业务交易过程中恰当地引入服务监控机制。

此外，功能属性(如：CPU运算能力、内存和外存容量大小)作为云服务的基本属性，在传统云服务选择过程中也是作为推荐标准来应用的。可信性Qos在动态云服务选择过程中也是一种重要因素，因为许多提供商发布了具有相同的功能属性的云服务，但Qos保障却不同。因此有必要建立一种多属性匹配机制，这种机制能够让云服务客户的需求和服务商提供的云服务解决方案对于功能和Qos的属性达成一致。

云服务探索和选择是一个广泛性的研究课题，然而，由于云服务本质特征多样性，而且不同的人对此也持有不同的观点，所以罕有统一的云推荐系统模型。虽然许多学者致力于设计和发展云服务语义的描述框架和自动协商算法，但忽略了其它的一些CRS问题，比如多属性云服务匹配算法和云服务推荐方法。为此，本发明着重于一种基于多属性匹配的云服务推荐方法及装置，使得云服务推荐可交互化，从而提高云服务供求匹配算法的适用性。

发明内容

本发明目的是提供一种基于多属性匹配的云服务推荐方法及装置，以实现云服务推荐系统中多属性云服务解决方案的匹配与推荐。

为了达到上述目的，本发明所采用的技术方案为：

一种基于多属性匹配的云服务推荐方法，由云服务提供商向云服务推荐装置发布云服务解决方案，由云服务客户向云服务推荐装置发布云服务需求，其特征在于：分别从云服务解决方案中获取解决方案的属性集、解决方案属性集的匹配特征、解决方案的实际值，从云服需求中获取需求的属性集、需求属性集的匹配特征、需求的期望值，并按以下步骤执行：

(1)将客户向云服务推荐装置发布的云服务需求的集合记作cs_i(i＝1，...，I)，云服务商向云服务推荐装置发布的云服务解决方案的集合记作cs_j(j＝1，...，J)，设定cs_i与cs_j在发布时两者具有相同属性子集，即cs_i与cs_j具有相同功能属性和可信属性，且每个属性子集均包括功能属性和可信属性，将cs_i与cs_j分别由“软件服务需求规约文档”和“备选方案规约文档”规格化为向量：[FA，QA，MCF，MCQ]；在所述cs_i与cs_j共同规格化后的向量中，定义FA＝{fa₁，...，fa_N}为功能属性集，QA＝{qa₁，...，qa_M}为可信属性集，MCF＝{mcf₁，...，mcf_N}为FA的匹配特征集，MCQ＝{mcq₁，...，mcq_M}为QA的匹配特征集；

(2)令mcf_n(1≤n≤N)∈MCF，mcf_n＝{“benefit”，“cost”，“hard constraint”}为功能属性fa_n(1≤n≤N)的匹配特征，并定义FV_c＝{fv₁，...，fv_N}、FV_p＝{fv_p，1，...，fv_p，N}分别为cs_i与cs_j在FA上的期望值与实际值；令mcq_m(1≤m≤M)∈MCQ，mcq_m＝{“benefit”，“cost”}为可信属性qa_m(1≤m≤M)的匹配特征，并定义QV_c＝{qv₁，...，qv_M}，QV_p＝{qv_p，1，...，qv_p，M}分别为cs_i与cs_j在QA上的期望值与实际值；

(3)对所述云服务解决方案与云服务需求中相应各功能属性进行比对，并计算相应的各功能属性的匹配度，然后将所有符合条件的云服务解决方案作为匹配集；

(4)对所述云服务解决方案相应可信属性进行比对，并估算可信属性匹配度，然后结合可信属性权重与方案匹配度获得综合匹配度，其中可信属性权重由加权方法得到，方案匹配度由各功能属性匹配度求和得到；

(5)根据步骤(3)所得匹配集中，以及根据步骤(4)得到的各个匹配方案的综合匹配度，结合历史客户评价计算推荐度并对其排序，将符合条件的匹配方案归入推荐集。

所述的一种基于多属性匹配的云服务推荐方法，其特征在于：所述步骤(3)具体过程如下：

(1)首先令d₁，...，d_N为cs_i与cs_j之间在FA上的匹配度，其中d_k(k＝1，...，N)为cs_i与cs_j在第a_k个属性上的匹配度；

(2)对于匹配特征“benefit”，如果满足fv_p，n≥fv_n，就令d_k＝fv_p.n/fv_n，否则d_k＝0，对于匹配特征“cost”，如果满足fv_p，n≤fv_n，就使得d_k＝1+(fv_p，n-fv_n)/fv_p，n，否则d_k＝0，对于匹配特征“hard constraint”，如果fv_p，n＝fv_n，就使得d_k＝1，否则d_k＝0；当对于任意d_n(1≤n≤N)，都有d_n＞0，则成功匹配所述云服务解决方案属性中的实际值；

(3)根据步骤(2)得出一条cS_j上各个功能属性的匹配度md_p，n(1≤n≤N)，匹配度md_p，n即为步骤(2)中得出的d_k值，md_p，n大于0时标记为TRUE，否则标记为FALSE，并对所有md_p，n(1≤n≤N)标记做与运算，结果为FALSE则将该条cs_j方案剔除，否则作为匹配方案归入匹配集，令η为匹配成功的方案条数，初始为0，利用md_p＝md_p+∑_nmd_p，n(md_p初始为0)计算匹配成功方案的匹配度。

所述的一种基于多属性匹配的云服务推荐方法，其特征在于：所述步骤(4)具体过程如下：

(1)令d₁，...，d_M为cs_i与cs_j之间在QA上的匹配度，其中d_k(k＝1，...，M)为cs_i与cs_j在第a_k个属性上的匹配度；

(2)对于匹配特征“benefit”，判断如果满足qv_p，m≥qv_m，就使得d_k＝qv_p，m/qv_m，否则d_k＝0，对于匹配特征“cost”，判断如果满足qv_p，m≤qv_m，就使得d_k＝1+(qv_p，m-qv_m)/qv_p，m，否则d_k＝0；

(3)令w_m(m＝1，...，M)为各可信属性上的权值，利用md_p＝md_p+w_m×d_m，由可信属性各属性匹配度d_m乘上各自权值w_m，并与权利要求2中得到的匹配度求和，作为各个匹配方案新的匹配度，记作综合匹配度MDegree。

所述的一种基于多属性匹配的云服务推荐方法，其特征在于：所得匹配集中，根据各个匹配方案的综合匹配度和历史客户评价计算推荐度并对其排序，将符合条件的匹配方案归入推荐集，具体过程如下：

令rd_j，q∈[0，1]为使用过云服务的客户c_q(1≤q≤Q)对云服务商所提供方案cs_j的客户评价，历史客户评价RDegree，rd_j是cs_j的一组评价方法，计算公式为：

${\mathrm{rd}}_j=\left\{\begin{array}{cc}\frac{\ln (Q+10)}{Q}{\mathrm{\Σ}}_{q=1}^Q{\mathrm{rd}}_{j,q},& Q>0\\ 1& Q=0\end{array}\right.,$ (公式1)

其中Q为cs_j中客户组的规模，ln(Q+10)为尺度因子，为多个客户对同一方案客户评价的求和，若rd_j＞0，则代入公式2，计算出推荐熵：

H_j＝-md_jrd_jlog(md_jrd_j)        (公式2)

将推荐熵代入到公式3中得到td_j作为CRS对方案cs_j(j＝1，...，J)的推荐度TotalDegree，计算公式为：

${\mathrm{td}}_j=\frac{{-\mathrm{md}}_j{\mathrm{rd}}_j\log \left({\mathrm{md}}_j{\mathrm{rd}}_j\right)}{{-\mathrm{\Σ}}_{j=1}^J{\mathrm{md}}_j{\mathrm{rd}}_j\log \left({\mathrm{md}}_j{\mathrm{rd}}_j\right)}$ (公式3)

如果td_j小于客户所要求的阈值则将此匹配方案从匹配方案集中剔除，最终将符合要求的匹配方案集更新为推荐方案集R_c＝{(cs_j，td_j)}。

所述的一种基于多属性匹配的云服务推荐方法，其特征在于：所述步骤(4)中，加权方法采用层次分析法，或简单加权法，或逼近理想解排序法。

一种云服务推荐装置，其特征在于：包括以下功能模块：

云服务需求发布模块，供云服务客户通过图形用户界面发布指定的云服务需求；

估算属性匹配度模块，用于获取功能属性匹配度和可信属性匹配度；

生成匹配集模块，用于通过功能属性和可信属性比对，将云服务解决方案集中符合匹配要求的方案归入匹配集中；

客户评价获取模块，用于让客户对所使用的云服解决务方案进行评价，并将评价结果应用与将来的推荐过程中；

生成推荐集模块，在匹配集的基础上通过历史客户评价和匹配方案的综合匹配度得到推荐度，进一步筛选匹配集为推荐集。

所述的一种云服务推荐装置，其特征在于：还包括展示模块，展示模块用于将云服解决务方案、客户需求信息、云服务匹配推荐数据分别以图形用户界面供云服务商和云服务客户操作或展示。

与现有技术相比，本发明实施例所述的方法和装置，运用了多属性匹配的特点，展现了一种同时考虑到功能属性和可信属性的新颖云服务匹配算法，从而解决了传统推荐系统所面临的两个问题：其一是如何在自动推荐方案系统中整合匹配算法或推荐算法；其二是在云业务交易过程中恰当地引入服务监控机制。相对于传统匹配推荐方法本发明增加了可信属性匹配，以及由客户反馈评价所得历史客户评价的比对，使得云服务客户可以寻找到更准确更优效的云服务匹配方案。

附图说明

图1是本发明的一种基于多属性匹配的云服务推荐方法实施例1的流程图。

图2是本发明的一种基于多属性匹配的云服务推荐方法实施例2的流程图。

图3是本发明的一种基于多属性匹配的云服务推荐装置实施例1的结构示意图。

具体实施方式

本发明可用于众多通用或专用的计算装置环境或配置中，例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组建、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

为了使得本领域技术人员能够更清楚地了解本发明的技术方案，下面对多属性云服务匹配推荐的原理做一个详细的介绍。

参考图1，示出了本发明的一种多属性的云服务匹配推荐方法实施例1的流程图，可以包括以下步骤：

步骤101：分别从云服务解决方案中获取属性集及其匹配特征与实际值，从云服需求中获取属性集及其匹配特征与期望值。

每条云服务解决方案包括方案编号、功能属性(包括：CPU运算能力、内存大小、外存大小等)，Qos属性(包括：方案效率、网络延迟时间、运行时间等)。客户通过GUI填写一些必要信息(如所需云服务类型、客户名称、需求发布时间、需求截止时间、需求方案条数)与所需方案的功能属性和Qos属性的匹配特征与期望值。

步骤102：对所述云服务解决方案与云服务需求中相应各功能属性进行比对，以及，计算各功能属性匹配度，并将符合条件的云服务解决方案归入匹配集。

在实际应用中，依次逐条将云服务解决方案的属性匹配特征和实际值与云服务需求的属性匹配特征和期望值进行比对。在比对中如果一条云服务解决方案的一个功能属性匹配度大于0，则标记为“TRUE”，否则为“FALSE”，对所有功能属性标记做与运算，若结果为“FALSE”，则将相应云服务解决方案剔除，若结果为“TRUE”，则将相应云服务解决方案归入匹配集，并使得功能匹配度为所有功能属性匹配度之和，同时记录下匹配集中方案的条数。

步骤103：对所述云服务解决方案相应各Qos属性进行比对，以及，估算Qos属性匹配度，并结合Qos权重与方案匹配度获得综合匹配度。

利用Qos各个属性匹配度乘上属性权值，与前面得到的方案匹配度求和，得到匹配方案的综合匹配度，并在原有匹配集的基础上更新匹配集中每条方案的匹配度为综合匹配度。

步骤104：所得匹配集中，根据各个匹配方案的综合匹配度和历史客户评价，计算推荐度并对其排序，归入推荐集。

经过步骤102和步骤103后，判断匹配集中方案的条数是否达到客户要求的数量，或云服务解决方案已经比对完了，若满足任一条件，停止比对并形成最终的匹配集，否则继续比对。匹配集中每种方案都有使用过该方案的一个或多个客户对该方案进行的评价，利用公式1将这些评价转换成历史客户评价，若历史客户评价大于0，利用公式2分别计算出所有匹配方案的推荐熵。分别将这些推荐熵代入公式3获取所有匹配方案的推荐度。依次判断各推荐度是否小于客户要求的阈值，如果是，则将此匹配方案剔除，剩下方案均为最终推荐方案，由CRS推荐给云服务客户进行选取。

在本实施例中，可以看出，运用了Qos属性加权匹配和客户评价推荐，在功能属性匹配集的基础上再进行Qos属性加权匹配筛选匹配集和客户评价推荐筛选匹配集，所得匹配推荐方案较之普通多属性匹配在匹配准确性和优效性上得到很大的提高。

参考图2，示出了本发明的一种基于多属性匹配的云服务推荐方法实施例2的流程图，可以包括以下步骤：

步骤201：分别从云服务解决方案中获取属性集及其匹配特征与实际值，从云服需求中获取属性集及其匹配特征与期望值。

在实际应用中，所述云服务解决方案和云服务需求中的记录数目可以不相同，也可以相同。例如，所述云服务解决方案如表1所示，所述云服务需求如客户向CRS发布的一条或多条云服务需求。

表1

步骤202：计算云服务解决方案功能属性匹配度。

具体计算方法参见权利要求2。

步骤203：一条云服务解决方案的功能属性比对完毕。

一条云服务解决方案有多个功能属性，将云服务解决方案的功能属性逐一与云服务需求中相应功能属性比对，如果功能属性还没有比对完毕，则进入步骤202，比对完毕，则进入步骤204。

步骤204：根据功能属性匹配度，记录属性标记为TRUE或FALSE，对所有标记做与运算，结果为FALSE。

所述功能属性匹配度md_p，n，若满足md_p，n＞0，则记录属性标记s_p，n＝TRUE，否则s_p，n＝FALSE。将所有标记一起做与运算，若s_p，1&&...&&s_p，n&&...&&s_p，N＝FALSE则进入步骤205′，若s_p，1&&...&&s_p，n&&...&&s_p，N＝TRUE则进入步骤205。

步骤205′：将该方案从匹配集中剔除。

云服务解决方案匹配失败，将此条方案从云服务解决方案中剔除。

步骤205：记录功能属性匹配成功的方案条数，功能属性匹配度相加计算出功能匹配度，并将该方案归入匹配集当中。

一条云服务解决方案的n个功能属性都匹配成功，则认为该条云服务解决方案可作为匹配方案放到匹配集当中，匹配集中方案条数η自动加1，n条功能属性匹配度之和作为功能匹配度。匹配集中每条匹配方案都有对应的匹配度，记匹配集为M_c＝{(cs_p，md_p)}。

步骤206：循环计算上述一条云服务解决方案的各个Qos属性匹配度，并对属性匹配度加权，与方案匹配度求和获取综合匹配度，更新匹配集中匹配方案的匹配度为综合匹配度。

具体计算方法参见权利要求3。

步骤207：判断匹配方案条数达到客户要求的数量，或云服务解决方案中的方案已经比对完。

当匹配方案的数量达到客户需要的方案数量，则停止比对。若没有可比对的云服务解决方案时，则停止比对。若以上条件均不满足，则进入步骤202继续下一条云服务解决方案的处理，如果满足以上任一条件，则进入步骤208。

步骤208：经以上步骤获取匹配集，从云服务客户获取方案的历史客户评价，利用匹配集中方案的历史客户评价和综合匹配度获得方案的推荐熵，并根据推荐熵计算推荐度。

一个或多个云服务客户可通过“客户评价获取模块”对使用过的方案进行评分或文字评价，通过公式1计算出每个客户对该条方案的历史客户评价rd_p，若rd_p＞0，则利用公式2计算每个评价的推荐熵，将推荐熵代入公式2计算出推荐度。

步骤209：判断推荐度是否小于客户所要求的阈值。如果否，则进入步骤210，如果是，则进入步骤210′。

步骤210′：将该方案从匹配集中剔除。

步骤210：判断匹配集中的方案是否筛选完毕。

如果匹配集中方案筛选完毕则进入步骤211，否则进入208。

步骤211：获得最终匹配推荐方案，通过GUI推荐给客户选择。

通过以上步骤的多属性匹配筛选和推荐度筛选，最终得出匹配推荐方案集。经过分析试验，较之普通多属性匹配在匹配准确性和优效性上得到很大的提高。

需要说明的是，对于前述的各方法实施例，为了便于描述，故将其表述为一系列动作组合，但本领域技术人员应知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员应知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

参考图3，示出了本发明的一种基于多属性匹配的云服务推荐装置实施例1的结构框图，可以包括以下模块：

云服务需求发布模块301，用于客户向CRS发布需求信息。使得客户可通过GUI填写一些必要信息(如所需云服务类型、客户名称、需求发布时间、需求截止时间、需求方案条数)与所需方案的功能属性(包括：CPU运算能力、内存大小、外存大小等)以及Qos属性(包括：方案效率、网络延迟时间、运行时间等)。

估算属性匹配度模块302，如权力要求2和权力要求3所示方法计算出功能属性匹配度和Qos属性匹配度。

生成匹配集模块303，生成匹配集的过程为一个大循环，其中嵌套两个小的循环，大循环用来对所有参与匹配的云服务解决方案进行操作，两个小的循环分别为对前面所得的同一条云服务解决方案的功能属性与Qos属性进行操作，最终计算出综合匹配度，并生成匹配集。所述第一个小循环，在比对中如果一条云服务解决方案的一个功能属性匹配度大于0，则标记为“TRUE”，否则为“FALSE”，对所有标记做与运算，若结果为“FALSE”，则将这条云服务解决方案剔除，否则将该条云服务解决方案归入匹配集，并记所有功能属性匹配度之和为功能匹配度，同时记录下匹配集中方案的条数；所述第二个小循环，计算出第一个小循环的同一条云服务解决方案的所有Qos属性匹配度，并对Qos属性匹配度加权再与前面得到的对应方案匹配度求和，所得该条云服务解决方案的综合匹配度。更新匹配集中匹配度为综合匹配度。匹配集中数据条数如果达到客户要求的参考方案条数，或云服务解决方案中的所有数据都比对完，则跳出大循环得到匹配集。

客户评价获取模块304，云服务客户针对所使用过的云服务解决方案进行打分评价或语言描述评价，评价结果应用与将来的推荐过程中，用于计算推荐度。

生成推荐集模块305，从一个或多个客户获取方案的历史客户评价。循环处理匹配集中每条数据，若当前方案历史客户评价大于0，则由匹配数据的综合匹配度和历史客户评价计算出推荐熵。利用推荐熵计算出当前方案的推荐度，若推荐度小于客户所要求的阈值，则将当前记录从匹配集中剔除掉，所得最终匹配集为推荐方案集，其中包括推荐方案和该方案的推荐度。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。

Claims (2)

1.一种基于多属性匹配的云服务推荐方法，由云服务提供商向云服务推荐装置发布云服务解决方案，由云服务客户向云服务推荐装置发布云服务需求，其特征在于：分别从云服务解决方案中获取解决方案的属性集、解决方案属性集的匹配特征、解决方案的实际值，从云服需求中获取需求的属性集、需求属性集的匹配特征、需求的期望值，并按以下步骤执行：

（1）将客户向云服务推荐装置发布的云服务需求的集合记作cs_i(i=1,…,I)，云服务商向云服务推荐装置发布的云服务解决方案的集合记作cs_j(j=1,…,J)，设定cs_i与cs_j在发布时两者具有相同属性子集，即cs_i与cs_j具有相同功能属性和可信属性，且每个属性子集均包括功能属性和可信属性，将cs_i与cs_j分别由“软件服务需求规约文档”和“备选方案规约文档”规格化为向量：[FA，QA，MCF，MCQ]；在所述cs_i与cs_j共同规格化后的向量中，定义FA={fa₁,…,fa_N}为功能属性集，QA={qa₁,…,qa_M}为可信属性集，MCF={mcf₁,…,mcf_N}为FA的匹配特征集，MCQ={mcq₁,…,mcq_M}为QA的匹配特征集；

（2）令mcf_n(1≤n≤N)∈MCF，mcf_n={“benefit”,“cost”,“hardconstraint”}为功能属性fa_n(1≤n≤N)的匹配特征，并定义FV_c={fv₁,…,fv_N}、FV_p={fv_p,1,…,fv_p,N}分别为cs_i与cs_j在FA上的期望值与实际值；令mcq_m(1≤m≤M)∈MCQ，mcq_m={“benefit”,“cost”}为可信属性qa_m(1≤m≤M)的匹配特征，并定义QV_c={qv₁,…,qv_M}，QV_p={qv_p,1,…,qv_p,M}分别为cs_i与cs_j在QA上的期望值与实际值；

（3）对所述云服务解决方案与云服务需求中相应各功能属性进行比对，并计算相应的各功能属性的匹配度，然后将所有符合条件的云服务解决方案作为匹配集；具体过程如下：

3.1首先令d₁,…,d_N为cs_i与cs_j之间在FA上的匹配度，其中d_k(k=1,…,N)为cs_i与cs_j在第ak个属性上的匹配度；

3.2对于匹配特征“benefit”，如果满足fv_p,n≥fv_n，就令d_k=fv_p,n/fv_n，否则d_k=0，对于匹配特征“cost”，如果满足fv_p,n≤fv_n，就使得d_k=1+(fv_p,n-fv_n)/fv_p,n，否则d_k=0，对于匹配特征“hardconstraint”，如果fv_p,n=fv_n，就使得d_k=1，否则d_k=0；当对于任意d_n(1≤n≤N),都有d_n>0，则成功匹配所述云服务解决方案属性中的实际值；

3.3根据步骤（2）得出一条cs_j上各个功能属性的匹配度md_p,n(1≤n≤N)，匹配度md_p,n即为步骤（2）中得出的d_k值，md_p,n大于0时标记为TRUE，否则标记为FALSE，并对所有md_p,n(1≤n≤N)标记做与运算，结果为FALSE则将该条cs_j方案剔除，否则作为匹配方案归入匹配集，令η为匹配成功的方案条数，初始为0，利用md_p=md_p+∑_nmd_p,n（md_p初始为0）计算匹配成功方案的匹配度；

（4）对所述云服务解决方案相应可信属性进行比对，并估算可信属性匹配度，然后结合可信属性权重与方案匹配度获得综合匹配度，其中可信属性权重由加权方法得到，方案匹配度由各功能属性匹配度求和得到；具体过程如下：

4.1令d₁,…,d_M为cs_i与cs_j之间在QA上的匹配度，其中d_k(k=1,…,M)为cs_i与cs_j在第ak个属性上的匹配度；

4.2对于匹配特征“benefit”，判断如果满足qv_p,m≥qv_m，就使得d_k=qv_p,m/qv_m，否则d_k=0，对于匹配特征“cost”，判断如果满足qv_p,m≤qv_m，就使得d_k=1+(qv_p,m-qv_m)/qv_p,m，否则d_k=0；

4.3令w_m(m=1,…,M)为各可信属性上的权值，利用md_p=md_p+w_m×d_m，由可信属性各属性匹配度d_m乘上各自权值w_m，并与步骤（3）中得到的匹配度求和，作为各个匹配方案新的匹配度，记作综合匹配度MDegree；

（5）根据步骤（3）所得匹配集中，以及根据步骤（4）得到的各个匹配方案的综合匹配度，结合历史客户评价计算推荐度并对其排序，将符合条件的匹配方案归入推荐集；

所得匹配集中，根据各个匹配方案的综合匹配度和历史客户评价计算推荐度并对其排序，将符合条件的匹配方案归入推荐集，具体过程如下：

令rd_j,q∈[0,1]为使用过云服务的客户c_q(1≤q≤Q)对云服务商所提供方案cs_j的客户评价，历史客户评价RDegree，rd_j是cs_j的一组评价方法，计算公式为：

${\mathrm{rd}}_j=\left\{\begin{array}{cc}\frac{\ln (Q+10)}{Q}{\mathrm{\Σ}}_{q=1}^Q{\mathrm{rd}}_{j,q},& Q>0\\ 1& Q=0\end{array}\right.,$     (公式1)

其中Q为cs_j中客户组的规模，ln(Q+10)为尺度因子，为多个客户对同一方案客户评价的求和，若rd_j>0，则代入公式2，计算出推荐熵：

H_j=-md_jrd_jlog(md_jrd_j)    (公式2)

将推荐熵代入到公式3中得到td_j作为CRS对方案cs_j(j=1,…,J)的推荐度TotalDegree，计算公式为：

${\mathrm{td}}_j=\frac{-{\mathrm{md}}_j{\mathrm{rd}}_j\log \left({\mathrm{md}}_j{\mathrm{rd}}_j\right)}{-{\mathrm{\Σ}}_{j=1}^J{\mathrm{md}}_j{\mathrm{rd}}_j\log \left({\mathrm{md}}_j{\mathrm{rd}}_j\right)}$     (公式3)

如果td_j小于客户所要求的阈值则将此匹配方案从匹配方案集中剔除，最终将符合要求的匹配方案集更新为推荐方案集R_c={(cs_j,td_j)}。

2.根据权利要求1所述的一种基于多属性匹配的云服务推荐方法，其特征在于：所述步骤（4）中，加权方法采用层次分析法，或简单加权法，或逼近理想解排序法。