1.一种基于深度学习的云制造服务流程推荐方法，其特征在于包括：步骤A、用户按照需求表达模型提交流程需求

采用自然语言文本描述流程中的组成服务，按照顺序结构依次排序所需要的服务及子流程结构块，所述子流程结构块是由路由结点引导的分支服务流程链组成；

步骤B、构建基于聚类映射的流程需求序列

将平台中的已有云制造服务进行聚类，通过计算用户需求表达模型中的服务与聚类的语义相似度，将需求表达模型中的服务映射为所属的聚类标识，采用聚类标识和流程路由标识构建流程需求序列；

步骤C、将步骤B中流程需求序列送入训练好的Seq2Seq模型，生成近似推荐流程序列Ar_ps步骤D、将近似推荐流程序列Ar_ps与流程模型库中的已有流程序列ps做字符串相似度计算，其中,Levenshtein(Ar_ps，ps)为编辑距离，MaxLength(Ar_ps，ps)为两个字符串的最大长度，Jaccard(Ar_ps，ps)为Jaccard距离；

步骤E、将相似度最高的云制造流程推荐给用户。

2.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤B中，平台中的已有云制造服务按照如下步骤进行聚类：步骤B11、对服务功能描述和工艺参数进行预处理；

步骤B12、利用Bert为服务描述生成一个功能向量，利用Word2Vec分别为服务类别和工艺参数生成词向量，命名为类别向量和工艺参数向量；

步骤B13、将功能向量、类别向量和工艺参数向量拼接为一个向量，即服务表征向量；

步骤B14、利用K‑means++算法为所有云制造服务的服务表征向量进行聚类；

步骤B15、为生成的每个聚类设置一个聚类标号，为每一个聚类计算聚类中心向量，所述聚类中心向量为该聚类中所有服务的服务表征向量的均值。

3.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤B中，按照如下步骤构建流程需求序列：步骤B21、顺序连接的服务si和sj，需求序列映射为CiCj，其中Ci和Cj分别为服务si和sj所对应的聚类标识；

步骤B22、子流程结构块spj按如下规则生成对应的需求序列：步骤B221、序列起始和终止字符分别为路由结点对应的标识与分支数目形成的符号；

步骤B222、对于分支子流程，如果为服务组成的服务链则按步骤B21处理为需求序列，如果包含子流程结构块则按步骤B22递归处理为需求序列；

步骤B223、将分支子流程形成的需求序列按照长度又大到小排序，依次连接，插入步骤B221生成的起始和终止字符，形成子流程结构块spj对应的最终需求序列Cspj；

步骤B23、对应顺序连接的子流程结构块si和spj，需求序列映射为CiCspj,其中Ci为服务si的聚类标识，Cspj为按步骤B22生成的spj对应的需求序列。

4.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤A中，需求表达模型为二元组PR，PR及其组成元素如下：PR:＝{SN,→}；

SN:＝{sb,se,S,SP}；

SP:＝{RN,SL}；

SL:＝{S,→}；

RN:＝{as,os,aj,oj,ls,le}；

其中，SN为流程业务结点，→表示顺序关系，PR为由SN类型的结点按照顺序结构组成的业务逻辑序列，sb为流程起始结点，se为流程终止结点，S为服务结点，SP为子流程结构块。

对于子流程类型结点SP，其递归定义为路由结点RN与服务结点链表SL的集合，SL为顺序执行的服务结点序列，S为服务结点，路由结点对{as,aj}，{os,oj}和{ls,le}分别用于构建并发结构、选择结构和循环结构。

5.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤A中，所述服务为五元组cms＝(id,sn,st,sf,TP)，其中，id为服务编号，sn为服务名称，st为服务类别，sf为服务功能描述,TP为工艺参数集合。

6.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤D中，流程模型库中的已有流程序列构建过程如下：将云制造服务流程采取逻辑Petri网建模为服务网；采用路径约简的方式，求解服务网对应的字符序列，即流程序列。

7.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法，其特征在于，所述步骤C中，Seq2Seq模型的训练过程包括：(1)根据平台中已有流程需求和响应流程模型，建立起对应的需求序列和流程序列数据集。

(2)利用所述数据集训练Seq2Seq模型。