Los sistemas de recomendación de servicios en la nube hacen sugerencias basadas en las calificaciones proporcionadas por los usuarios de la nube. Estas calificaciones pueden contener datos dispersos, lo que dificulta especular sobre servicios en la nube adecuados. Además, los nuevos usuarios de la nube a menudo sufren de dificultades de inicio en frío. Por lo tanto, en este estudio, intentamos superar mejor estos dos desafíos, es decir, el inicio en frío y la dispersión de datos, utilizando un enfoque híbrido que incorpora la factorización matricial neural, los autoencoders profundos y cuestionarios adecuados. El enfoque propuesto proporciona una lista de los principales proveedores de servicios en la nube para los antiguos usuarios de la nube basados en las preferencias predichas utilizando datos de calidad de servicio y similitud coseno ponderada asimétricamente. Para abordar el problema de inicio en frío, diseñamos un cuestionario para encuestar las preferencias de los nuevos usuarios y sugerir proveedores de la nube personalizados en consecuencia. Los experimentos basados en la base de datos Cloud Armor demuestran que nuestro enfoque supera a otros modelos. El enfoque propuesto tiene una precisión del 85% y logra un error absoluto medio (MAE) de 0.05 y un error cuadrático medio (RMSE) de 0.14 para las diferencias entre los valores de entrada y predichos. También recibimos un nivel de satisfacción de casi el 78.5% para las listas de recomendaciones proporcionadas a los nuevos clientes de servicios en la nube.