CN116108276A - 基于人工智能的信息推荐方法、装置及相关设备 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种基于人工智能的信息推荐方法、装置及相关设备，所述方法包括：根据用户需求信息生成至少一个集群部署方案；接收用户端上报的目标集群部署方案，对目标集群部署方案进行预处理，得到处理结果；基于处理结果中的组件信息，若预设数据库中存在与目标集群部署方案相似的目标案例，从目标案例的指标集中选取监控指标；采集监控指标的运营监控数据，将运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果；基于运营状态预测结果确定目标推荐信息。本发明通过从预设数据库中查找与目标集群部署方案相似的目标案例，无需重新为用户设计案例，提高了信息推荐的效率及使用率。

Description

基于人工智能的信息推荐方法、装置及相关设备

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的信息推荐方法、装置及相关设备。

背景技术

随着大数据集群处理的数据量剧增，集群规模也会同步增长，在企业内部，一般可以同时运行各种不同的应用场景的大数据应用，而各种不同应用场景的大数据应用之间可能存在依赖性，给大规模集群运营管理的带来了难题，传统的运营管理系统中，针对各种应用场景的大数据应用，需要查询多个或者运维多个信息管理平台。

然而，由于多个信息管理平台的应用信息的部署方式和运行方式各不相同，使得大数据集群运营的整体工作效率难以提升，无法及时响应客户需求，导致信息推荐效率低下。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的信息推荐方法、装置及相关设备，通过从预设数据库中查找与目标集群部署方案相似的目标案例，无需重新为用户设计案例，提高了信息推荐的效率及使用率。

本发明的第一方面提供一种基于人工智能的信息推荐方法，所述方法包括：

响应于接收的信息推荐请求，获取用户需求信息；

根据所述用户需求信息生成至少一个集群部署方案；

接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果；

基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例；

若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标；

采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果；

基于所述运营状态预测结果确定目标推荐信息。

可选地，所述根据所述用户需求信息生成至少一个集群部署方案包括：

将所述用户需求信息划分为软件组件的需求信息和硬件组件的需求信息；

将每种硬件组件的需求信息与所述预设数据库中的模板信息进行匹配，得到对应硬件组件；

根据每种软件组件的需求信息的匹配类型，获取对应的软件组件；

按照预设的生成规则，将所述硬件组件和所述软件组件进行随机组合，生成至少一个集群部署方案。

可选地，所述根据每种软件组件的需求信息的匹配类型，获取对应的软件组件包括：

识别每种软件组件的需求信息是否为指令组件；

当每种软件组件的需求信息为指令组件时，确定对应软件组件的匹配类型为精确匹配，从所述预设数据库的模板信息中获取所述软件指令对应的软件组件；

当每种软件组件的需求信息不为指令组件时，确定对应软件组件的匹配类型为模糊匹配，从所述需求信息中提取关键信息，将所述关键信息与所述预设数据库中的案例信息进行匹配，得到对应的软件组件。

可选地，所述对所述目标集群部署方案进行预处理，得到处理结果包括：

按照预设的数据格式，对所述目标集群部署方案中不满足标准化格式要求的组件进行格式转换，得到处理结果。

可选地，所述基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例包括：

计算所述组件信息中的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度，根据计算得到的多个匹配度计算所述目标集群部署方案与每个案例的目标匹配度；

当所述目标匹配度满足预设的匹配度阈值时，确定所述预设数据库中存在与所述目标集群部署方案相似的目标案例；

当所述目标匹配度不满足所述预设的匹配度阈值时，确定所述预设数据库中不存在与所述目标集群部署方案相似的目标案例。

可选地，在将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果之前，所述方法还包括：

获取多个集群及每个集群的历史监控指标，其中，所述历史监控指标包括硬件组件指标和软件组件指标；

提取每个集群的历史监控指标的历史运营监控数据；

基于所述历史监控指标的指标特征，对对应历史运营监控数据进行特征提取，得到对应集群的数据特征，其中，所述指标特征用以表征历史运营监控数据的监控数据量和运营数据质量；

将所述多个集群的数据特征作为训练集；

基于所述训练集对预设的机器学习模型进行训练，得到运营状态预测模型。

可选地，所述基于所述运营状态预测结果确定目标推荐信息包括：

判断所述运营状态预测结果是否满足所述用户需求信息中的运营状态；

若所述运营状态预测结果满足所述用户需求信息中的运营状态，将所述目标案例的指标集确定为目标推荐信息发送至所述用户端；

若所述运营状态预测结果不满足所述用户需求信息中的运营状态，将所述运营状态预测结果及异常指标确定为目标推荐信息发送至所述用户端。

本发明的第二方面提供一种基于人工智能的信息推荐装置，所述装置包括：

获取模块，用于响应于接收的信息推荐请求，获取用户需求信息；

生成模块，用于根据所述用户需求信息生成至少一个集群部署方案；

预处理模块，用于接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果；

识别模块，用于基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例；

选取模块，用于若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标；

采集模块，用于采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果；

确定模块，用于基于所述运营状态预测结果确定目标推荐信息。

本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的信息推荐方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的信息推荐方法。

综上所述，本发明所述的基于人工智能的信息推荐方法、装置及相关设备，能够推动智慧城市的建设，应用于智慧建筑、智慧安防、智慧社区、智慧生活、物联网等领域，根据所述用户需求信息生成至少一个集群部署方案，接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果，将目标集群部署方案中的组件信息转换为满足标准化格式要求的组件，便于后续进行数据处理。基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例，若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标，采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果，并基于所述运营状态预测结果确定目标推荐信息，无需重新为用户设计案例，并且目标案例已经落地到具体的业务，确保了推荐的信息的准确性，进而提高了信息推荐的效率及使用率。

附图说明

图1是本发明实施例一提供的基于人工智能的信息推荐方法的流程图。

图2是本发明实施例二提供的基于人工智能的信息推荐装置的结构图。

图3是本发明实施例三提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的基于人工智能的信息推荐方法的流程图。

在本实施例中，所述基于人工智能的信息推荐方法可以应用于电子设备中，对于需要进行基于人工智能的信息推荐的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于人工智能的信息推荐的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在电子设备中。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。

如图1所示，所述基于人工智能的信息推荐方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

101，响应于接收的信息推荐请求，获取用户需求信息。

本实施例中，在金融、数字医疗和大数据技术领域，业务集群规模不断增长，在进行业务运行案例设计时，可以发送信息推荐请求至电子设备，电子设备在接收到信息推荐请求时，解析所述信息推荐请求，获取用户需求信息，根据用户需求信息进行信息推荐，其中，所述用户需求信息中包含有用户提供的预算的软件和硬件环境信息，软件环境主要指系统开发软件的idt,以及数据库等，软件环境信息可以包括windows server 2008r2，MyEclipse8.5，oracle等，硬件环境主要指cpu、内存、硬盘、局域网带宽之类的，硬件环境信息可以包括cpu：i7980、硬盘：希捷1t 7200rpm、内存：金士顿ddr3 4等。

102，根据所述用户需求信息生成至少一个集群部署方案。

本实施例中，集群部署方案是根据用户需求信息中的软件环境信息和硬件环境信息进行随机组合生成的。

在一个可选的实施例中，所述根据所述用户需求信息生成至少一个集群部署方案包括：

将所述用户需求信息划分为软件组件的需求信息和硬件组件的需求信息；

将每种硬件组件的需求信息与所述预设数据库中的模板信息进行匹配，得到对应硬件组件；

根据每种软件组件的需求信息的匹配类型，获取对应的软件组件；

按照预设的生成规则，将所述硬件组件和所述软件组件进行随机组合，生成至少一个集群部署方案。

本实施例中，可以预先设置生成规则，所述预设生成规则是根据历史经验设置的，或者根据历史数据进行机器学习得到的。

本实施例中，在得到硬件组件和软件组件之后，可以分析用户需求信息，根据预设的生成规则随机组合出多个集群部署方案。

本实施例中，所述匹配类型包括精确匹配和模糊匹配，所述精确匹配是指用户需求信息中的软件组件是明确规定的，可以直接从模板信息中获取；所述模糊匹配是指用户需求信息是不明确的。

本实施例中，可以预先设置数据库，所述预设数据库中包括各个应用场景的模板库和案例库，即包含有各个应用场景的模板信息和案例信息，所述模板信息中包含有硬件组件信息和软件组件中的指令组件的信息。所述案例信息中包含有历史运营案例所采用的组件信息，可以从案例信息中获取用户需求信息中没有明确规定的软件组件的信息。

进一步地，所述根据每种软件组件的需求信息的匹配类型，获取对应的软件组件包括：

识别每种软件组件的需求信息是否为指令组件；

当每种软件组件的需求信息为指令组件时，确定对应软件组件的匹配类型为精确匹配，从所述预设数据库的模板信息中获取所述软件指令对应的软件组件；

当每种软件组件的需求信息不为指令组件时，确定对应软件组件的匹配类型为模糊匹配，从所述需求信息中提取关键信息，将所述关键信息与所述预设数据库中的案例信息进行匹配，得到对应的软件组件。

示例性地，用户需求信息中包含指令组件A：开发环境Win7，则直接从模板信息中获取Win7对应的软件组件；用户需求信息中包含B：运营A软件，运营A软件不是指令组件，需要在案例信息中进行模糊匹配，确定出运行A软件需要的软件组件。

103，接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果。

本实施例中，在得到至少一个集群部署方案之后，将所述至少一个集群部署方案发送至所述用户端，当用户端接收到所述至少一个集群部署方案，从所述至少一个集群部署方案中选取出一个集群部署方案，可以将选取的集群部署方案确定为目标集群部署方案上报至电子设备，提高了用户的满意度。

在其他可选的实施例中，所述用户端从所述至少一个集群部署方案中选取出一个集群部署方案，并对选取的集群部署方案进行调整，将调整后的集群部署方案确定为目标集群部署方案上报至电子设备，其中，对选取的集群部署方案进行调整可以包括删除选取的集群部署方案中的推荐组件或者更新集群部署方案中的推荐组件。

在一个可选的实施例中，所述对所述目标集群部署方案进行预处理，得到处理结果包括：

按照预设的数据格式，对所述目标集群部署方案中不满足标准化格式要求的组件进行格式转换，得到处理结果。

本实施例中，由于多个信息管理平台的应用信息的部署方式和运行方式各不相同，获取的组件信息也会存在差异，故可以预先设置数据格式，将目标集群部署方案中的组件信息转换为满足标准化格式要求的组件，便于后续进行数据处理。

104，基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例。

在一个可选的实施例中，所述基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例包括：

计算所述组件信息中的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度，根据计算得到的多个匹配度计算所述目标集群部署方案与每个案例的目标匹配度；

当所述目标匹配度满足预设的匹配度阈值时，确定所述预设数据库中存在与所述目标集群部署方案相似的目标案例；

当所述目标匹配度不满足所述预设的匹配度阈值时，确定所述预设数据库中不存在与所述目标集群部署方案相似的目标案例。

本实施例中，预设数据库中包含有多个历史运营案例，通过将处理结果中的软件组件和硬件组件信息与预设数据库中的每个案例的组件信息进行匹配，根据匹配结果确定所述预设数据库中是否包含有与所述目标集群部署方案相似的目标案例。

本实施例中，可以根据预设的相似度计算方法计算所述组件信息中的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度，其中，所述预设的相似度计算方法可以为欧几里得距离、曼哈顿距离或者余弦相似度。

具体地，所述根据计算得到的多个匹配度计算所述目标集群部署方案与每个案例的目标匹配度包括：

计算所述多个匹配度的平均值，将所述平均值确定为所述目标集群部署方案与每个案例的目标匹配度。

在其他可选的实施例中，也可以删除所述多个匹配度中不满足预设的匹配度条件的匹配度，计算保留的匹配度的平均值，将所述平均值确定为所述目标集群部署方案与每个案例的目标匹配度。

本实施例中，预设的匹配度条件可以为匹配度小于预设阈值，预设阈值可以根据实际情况进行设置，若计算得到的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度小于预设阈值，确定第一组件和第二组件完全不匹配。

105，若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标。

本实施例中，所述监控指标是指从所述目标案例的指标集中选取的关键指标，所述关键指标对所述目标案例的影响权重较大。

106，若所述预设数据库中不存在与所述目标集群部署方案相似的目标案例，按照预设规则采集所述目标集群部署方案中的组件信息对应的运营监控数据。

具体地，获取所述目标集群部署方案中的每个组件的组件信息，根据每个组件的组件信息从对应信息管理平台中采集运营监控数据，执行步骤107。

本实施例中，若没有相似的目标案例，需要从每个组件对应信息管理平台中采集运营监控数据进行运营状态预测。

107，采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果。

本实施例中，在采集到所述监控指标的运营监控数据之后，预先训练运营状态预测模型，利用训练好的运营预测模型预测所述监控指标的运营状态，其中，所述运营状态包括运营状态高效、运营状态稳定及运营状态较差等。

在一个可选的实施例中，在将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果之前，所述方法还包括：

获取多个集群及每个集群的历史监控指标，其中，所述历史监控指标包括硬件组件指标和软件组件指标；

提取每个集群的历史监控指标的历史运营监控数据；

基于所述历史监控指标的指标特征，对对应历史运营监控数据进行特征提取，得到对应集群的数据特征，其中，所述指标特征用以表征历史运营监控数据的监控数据量和运营数据质量；

将所述多个集群的数据特征作为训练集；

基于所述训练集对预设的机器学习模型进行训练，得到运营状态预测模型。

本实施例中，通过预先训练运营状态预测模型，在后续训练过程中，若历史运营监控数据的记录显示用户不满意，可以采用特征参数优化算法对运营状态预测模型进行优化，在用户第二次请求时，可以由优化后的案例库提供优化后的集群部署方案，进一步提高了信息推荐的准确率。

108，基于所述运营状态预测结果确定目标推荐信息。

本实施例中，目标推荐信息是最终反馈至用户端的推荐信息。

在一个可选的实施例中，所述基于所述运营状态预测结果确定目标推荐信息包括：

判断所述运营状态预测结果是否满足所述用户需求信息中的运营状态；

若所述运营状态预测结果满足所述用户需求信息中的运营状态，将所述目标案例的指标集确定为目标推荐信息发送至所述用户端；

若所述运营状态预测结果不满足所述用户需求信息中的运营状态，将所述运营状态预测结果及异常指标确定为目标推荐信息发送至所述用户端。

本实施例中，在得到运营状态预测结果之后，需要判断运营状态预测结果是否满足用户需求信息中的运营状态，在运营状态预测结果满足所述用户需求信息中的运营状态时，发送目标案例的指标集给用户端，无需重新为用户设计案例，并且目标案例已经落地到具体的业务，确保了推荐的信息的准确性，进而提高了信息推荐的效率及使用率。

综上所述，本实施例所述的基于人工智能的信息推荐方法，根据所述用户需求信息生成至少一个集群部署方案，接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果，将目标集群部署方案中的组件信息转换为满足标准化格式要求的组件，便于后续进行数据处理。基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例，若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标，采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果，并基于所述运营状态预测结果确定目标推荐信息，无需重新为用户设计案例，并且目标案例已经落地到具体的业务，确保了推荐的信息的准确性，进而提高了信息推荐的效率及使用率。

实施例二

图2是本发明实施例二提供的基于人工智能的信息推荐装置的结构图。

在一些实施例中，所述基于人工智能的信息推荐装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的信息推荐装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于人工智能的信息推荐的功能。

本实施例中，所述基于人工智能的信息推荐装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、生成模块202、预处理模块203、识别模块204、选取模块205、采集模块206及确定模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

获取模块201，用于响应于接收的信息推荐请求，获取用户需求信息。

生成模块202，用于根据所述用户需求信息生成至少一个集群部署方案。

预处理模块203，用于接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果。

识别模块204，用于基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例。

选取模块205，用于若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标。

采集模块206，用于采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果。

确定模块207，用于基于所述运营状态预测结果确定目标推荐信息。

在一个可选的实施例中，所述生成模块202还用于：将所述用户需求信息划分为软件组件的需求信息和硬件组件的需求信息；将每种硬件组件的需求信息与所述预设数据库中的模板信息进行匹配，得到对应硬件组件；根据每种软件组件的需求信息的匹配类型，获取对应的软件组件；按照预设的生成规则，将所述硬件组件和所述软件组件进行随机组合，生成至少一个集群部署方案。

进一步地，所述根据每种软件组件的需求信息的匹配类型，获取对应的软件组件包括：

识别每种软件组件的需求信息是否为指令组件；

当每种软件组件的需求信息为指令组件时，确定对应软件组件的匹配类型为精确匹配，从所述预设数据库的模板信息中获取所述软件指令对应的软件组件；

当每种软件组件的需求信息不为指令组件时，确定对应软件组件的匹配类型为模糊匹配，从所述需求信息中提取关键信息，将所述关键信息与所述预设数据库中的案例信息进行匹配，得到对应的软件组件。

在一个可选的实施例中，所述预处理模块203还用于：按照预设的数据格式，对所述目标集群部署方案中不满足标准化格式要求的组件进行格式转换，得到处理结果。

在一个可选的实施例中，所述识别模块204还用于：计算所述组件信息中的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度，根据计算得到的多个匹配度计算所述目标集群部署方案与每个案例的目标匹配度；当所述目标匹配度满足预设的匹配度阈值时，确定所述预设数据库中存在与所述目标集群部署方案相似的目标案例；当所述目标匹配度不满足所述预设的匹配度阈值时，确定所述预设数据库中不存在与所述目标集群部署方案相似的目标案例。

在一个可选的实施例中，在将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果之前，获取多个集群及每个集群的历史监控指标，其中，所述历史监控指标包括硬件组件指标和软件组件指标；提取每个集群的历史监控指标的历史运营监控数据；基于所述历史监控指标的指标特征，对对应历史运营监控数据进行特征提取，得到对应集群的数据特征，其中，所述指标特征用以表征历史运营监控数据的监控数据量和运营数据质量；将所述多个集群的数据特征作为训练集；基于所述训练集对预设的机器学习模型进行训练，得到运营状态预测模型。

在一个可选的实施例中，所述确定模块207还用于：判断所述运营状态预测结果是否满足所述用户需求信息中的运营状态；若所述运营状态预测结果满足所述用户需求信息中的运营状态，将所述目标案例的指标集确定为目标推荐信息发送至所述用户端；若所述运营状态预测结果不满足所述用户需求信息中的运营状态，将所述运营状态预测结果及异常指标确定为目标推荐信息发送至所述用户端。

本实施例中，在得到运营状态预测结果之后，需要判断运营状态预测结果是否满足用户需求信息中的运营状态，在运营状态预测结果满足所述用户需求信息中的运营状态时，发送目标案例的指标集给用户端，无需重新为用户设计案例，并且目标案例已经落地到具体的业务，确保了推荐的信息的准确性，进而提高了信息推荐的效率及使用率。

综上所述，本实施例所述的基于人工智能的信息推荐装置，根据所述用户需求信息生成至少一个集群部署方案，接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果，将目标集群部署方案中的组件信息转换为满足标准化格式要求的组件，便于后续进行数据处理。基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例，若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标，采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果，并基于所述运营状态预测结果确定目标推荐信息，无需重新为用户设计案例，并且目标案例已经落地到具体的业务，确保了推荐的信息的准确性，进而提高了信息推荐的效率及使用率。

实施例三

参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于人工智能的信息推荐装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的信息推荐装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于人工智能的信息推荐的目的。

示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成获取模块201、生成模块202、预处理模块203、识别模块204、选取模块205、采集模块206及确定模块207。

在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的信息推荐的功能。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的信息推荐方法，其特征在于，所述方法包括：

响应于接收的信息推荐请求，获取用户需求信息；

根据所述用户需求信息生成至少一个集群部署方案；

接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果；

基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例；

若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标；

采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果；

基于所述运营状态预测结果确定目标推荐信息。

2.如权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述根据所述用户需求信息生成至少一个集群部署方案包括：

将所述用户需求信息划分为软件组件的需求信息和硬件组件的需求信息；

将每种硬件组件的需求信息与所述预设数据库中的模板信息进行匹配，得到对应硬件组件；

根据每种软件组件的需求信息的匹配类型，获取对应的软件组件；

按照预设的生成规则，将所述硬件组件和所述软件组件进行随机组合，生成至少一个集群部署方案。

3.如权利要求2所述的基于人工智能的信息推荐方法，其特征在于，所述根据每种软件组件的需求信息的匹配类型，获取对应的软件组件包括：

识别每种软件组件的需求信息是否为指令组件；

当每种软件组件的需求信息为指令组件时，确定对应软件组件的匹配类型为精确匹配，从所述预设数据库的模板信息中获取所述软件指令对应的软件组件；

当每种软件组件的需求信息不为指令组件时，确定对应软件组件的匹配类型为模糊匹配，从所述需求信息中提取关键信息，将所述关键信息与所述预设数据库中的案例信息进行匹配，得到对应的软件组件。

4.如权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述对所述目标集群部署方案进行预处理，得到处理结果包括：

按照预设的数据格式，对所述目标集群部署方案中不满足标准化格式要求的组件进行格式转换，得到处理结果。

5.如权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例包括：

计算所述组件信息中的每个第一组件与所述预设数据库中的每个案例中的每个第二组件之间的匹配度，根据计算得到的多个匹配度计算所述目标集群部署方案与每个案例的目标匹配度；

当所述目标匹配度满足预设的匹配度阈值时，确定所述预设数据库中存在与所述目标集群部署方案相似的目标案例；

当所述目标匹配度不满足所述预设的匹配度阈值时，确定所述预设数据库中不存在与所述目标集群部署方案相似的目标案例。

6.如权利要求5所述的基于人工智能的信息推荐方法，其特征在于，在将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果之前，所述方法还包括：

获取多个集群及每个集群的历史监控指标，其中，所述历史监控指标包括硬件组件指标和软件组件指标；

提取每个集群的历史监控指标的历史运营监控数据；

基于所述历史监控指标的指标特征，对对应历史运营监控数据进行特征提取，得到对应集群的数据特征，其中，所述指标特征用以表征历史运营监控数据的监控数据量和运营数据质量；

将所述多个集群的数据特征作为训练集；

基于所述训练集对预设的机器学习模型进行训练，得到运营状态预测模型。

7.如权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述基于所述运营状态预测结果确定目标推荐信息包括：

判断所述运营状态预测结果是否满足所述用户需求信息中的运营状态；

若所述运营状态预测结果满足所述用户需求信息中的运营状态，将所述目标案例的指标集确定为目标推荐信息发送至所述用户端；

若所述运营状态预测结果不满足所述用户需求信息中的运营状态，将所述运营状态预测结果及异常指标确定为目标推荐信息发送至所述用户端。

8.一种基于人工智能的信息推荐装置，其特征在于，所述装置包括：

获取模块，用于响应于接收的信息推荐请求，获取用户需求信息；

生成模块，用于根据所述用户需求信息生成至少一个集群部署方案；

预处理模块，用于接收用户端上报的目标集群部署方案，对所述目标集群部署方案进行预处理，得到处理结果；

识别模块，用于基于所述处理结果中的组件信息，识别预设数据库中是否存在与所述目标集群部署方案相似的目标案例；

选取模块，用于若所述预设数据库中存在与所述目标集群部署方案相似的目标案例，从所述目标案例的指标集中选取监控指标；

采集模块，用于采集所述监控指标的运营监控数据，将所述运营监控数据输入至预先训练的运营状态预测模型中，得到运营状态预测结果；

确定模块，用于基于所述运营状态预测结果确定目标推荐信息。

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于人工智能的信息推荐方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于人工智能的信息推荐方法。

Images