一種工作分解結(jié)構(gòu)WBS模板推薦方法技術(shù)

本發(fā)明專利技術(shù)公開(kāi)的工作分解結(jié)構(gòu)WBS模板推薦方法，涉及計(jì)算機(jī)技術(shù)領(lǐng)域，利用深度學(xué)習(xí)模型構(gòu)建WBS模板之間相似度矩陣，通過(guò)補(bǔ)全策略補(bǔ)全用戶與WBS模板之間的交互矩陣，解決了由于交互矩陣稀疏等問(wèn)題引起的用戶之間的相似度矩陣計(jì)算精準(zhǔn)度不高的問(wèn)題，提高了推薦效率，能夠更準(zhǔn)確地將WBS模板推薦給用戶。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種工作分解結(jié)構(gòu)WBS模板推薦方法
本專利技術(shù)涉及計(jì)算機(jī)
，具體涉及一種工作分解結(jié)構(gòu)WBS模板推薦方法。
技術(shù)介紹
工作分解結(jié)構(gòu)(WorkBreakdownStructure，WBS)計(jì)劃作為項(xiàng)目管理的一個(gè)重要組成部分，其應(yīng)用效果的好壞將直接影響整體項(xiàng)目的管理效果。對(duì)于同一公司、同一企業(yè)管理者或者同類項(xiàng)目，其編寫的WBS計(jì)劃往往具有類似特征，在WBS模板的基礎(chǔ)上進(jìn)行修改將大大減少WBS計(jì)劃編寫的時(shí)間與難度。在大量WBS模板和用戶的模糊需求場(chǎng)景下，優(yōu)秀的WBS模板推薦算法能夠符合項(xiàng)目計(jì)劃應(yīng)場(chǎng)景需求，從用戶所在崗位、所在項(xiàng)目類型、用戶協(xié)同關(guān)系幾方面挖掘，幫助WBS計(jì)劃編寫人員從大量的WBS模板中更精準(zhǔn)地檢索出更匹配的WBS模板，為他們撰寫項(xiàng)目計(jì)劃提供參考，從而提升項(xiàng)目計(jì)劃質(zhì)量。但是目前的推薦算法面臨諸多挑戰(zhàn)，如數(shù)據(jù)噪聲多、可解釋性差、冷啟動(dòng)問(wèn)題、可擴(kuò)展性問(wèn)題以及推薦模式較為單一、對(duì)冷啟動(dòng)用戶推薦效果不理想等問(wèn)題。目前，經(jīng)常使用的推薦算法主要包括基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法和基于內(nèi)容和協(xié)同過(guò)濾的混合推薦算法。其中，協(xié)同過(guò)濾推薦算法包括基于領(lǐng)域的協(xié)同過(guò)濾推薦算法和基于模型的協(xié)同過(guò)濾推薦算法，基于領(lǐng)域的協(xié)同過(guò)濾推薦算法包括基于用戶協(xié)同過(guò)濾推薦算法和基于項(xiàng)目的協(xié)同過(guò)濾推薦算法。基于內(nèi)容的推薦算法主要使用對(duì)象本身的內(nèi)容信息來(lái)做出推薦行為，協(xié)同過(guò)濾推薦算法主要思想就是矩陣分解技術(shù)，將用戶和對(duì)象之間的關(guān)系映射到相同的隱因子空間中。由于受到交互矩陣稀疏、冷啟動(dòng)等問(wèn)題，現(xiàn)有推薦算法的性能受到很大影響，導(dǎo)致推薦結(jié)果準(zhǔn)確率較低。對(duì)于WBS模板推薦算法都仍停留于理論研究，市場(chǎng)上未見(jiàn)有WBS模板推薦算法采用。
技術(shù)實(shí)現(xiàn)思路
為解決現(xiàn)有技術(shù)的不足，本專利技術(shù)實(shí)施例提供了一種工作分解結(jié)構(gòu)WBS模板推薦方法，該方法包括以下步驟：建立用戶與WBS模板之間的第一交互矩陣P(m,n),其中，m為用戶總數(shù)，n為WBS模板總數(shù)；使用深度學(xué)習(xí)模型，得到WBS模板之間的相似度矩陣Q(n,n)；根據(jù)WBS模板之間的相似度矩陣Q(n,n)，補(bǔ)全所述第一交互矩陣P(m,n)，得到用戶與WBS模板之間的第二交互矩陣W(m,n)；根據(jù)所述第二交互矩陣W(m,n)，得到用戶對(duì)各個(gè)WBS模板評(píng)分的向量集合V{v1,v2,…,Vm×n}；根據(jù)向量集合V{v1,v2,…,Vm×n}，計(jì)算用戶之間的相似度，得到各個(gè)用戶之間的相似度矩陣U(m,m)；根據(jù)各個(gè)用戶之間的相似度矩陣U(m,m)，獲取當(dāng)前用戶所在的行向量，根據(jù)行向量中代表的相似度從高到低排序，選取前面設(shè)定數(shù)量的相似度對(duì)應(yīng)的用戶，得到當(dāng)前用戶的共同愛(ài)好用戶列表，從前到后依次選取所述共同愛(ài)好用戶列表中設(shè)定數(shù)量的用戶，得到當(dāng)前用戶的最相鄰用戶列表userList；從所述第一交互矩陣P(m,n)中獲取與最相鄰用戶列表userList中各個(gè)用戶存在交互關(guān)系的WBS模板，得到WBS模板列表L；過(guò)濾掉WBS模板列表L中重復(fù)的WBS模板，得到模板列表S，再過(guò)濾掉所述第一交互矩陣P(m,n)中與當(dāng)前用戶存在交互關(guān)系的WBS模板，得到模板列表T；合并模板列表S和模板列表T，構(gòu)成當(dāng)前用戶可能使用的WBS模板列表possibleList；根據(jù)最相鄰用戶列表userList中的用戶對(duì)當(dāng)前用戶可能使用的WBS模板列表possibleList中的各個(gè)WBS模板進(jìn)行評(píng)分，預(yù)測(cè)當(dāng)前用戶對(duì)possibleList列表中WBS模板的評(píng)分；根據(jù)所述評(píng)分的高低，對(duì)當(dāng)前用戶可能使用的WBS模板列表possibleList中的各個(gè)WBS模板進(jìn)行排序，將前面連續(xù)設(shè)定數(shù)量的WBS模板推薦給當(dāng)前用戶。優(yōu)選地，根據(jù)各個(gè)WBS模板之間的相似度矩陣Q(n,n)，補(bǔ)全所述第一交互矩陣P(m,n)包括：利用公式計(jì)算用戶對(duì)各個(gè)WBS模板中未評(píng)分WBS模板的評(píng)分，將所述評(píng)分寫入所述第一稀疏交互矩陣，其中，rut表示用戶u對(duì)未評(píng)分的第t個(gè)WBS模板的評(píng)分，Pu表示用戶u已評(píng)分的WBS模板集合，Iv表示Pu集合中的WBS模板，It表示Pu集合之外的WBS模板，sim(Iv,It)表示W(wǎng)BS模板Iv和WBS模板It之間的相似度，sim(Iv,It)∈[0，1]，ruv表示用戶u對(duì)WBS模板Iv的評(píng)分，δ是自定義的閾值，其值在0與1之間；當(dāng)sim(Iv,It)的值大于δ時(shí)，將計(jì)算得到的rut寫入所述第一稀疏交互矩陣中，當(dāng)作用戶u對(duì)未評(píng)分的第t個(gè)WBS模板的評(píng)分；當(dāng)sim(Iv,It)的值小于δ時(shí)，則將數(shù)值0寫入所述第一稀疏交互矩陣中，當(dāng)作用戶u對(duì)未評(píng)分的第t個(gè)WBS模板的評(píng)分。優(yōu)選地，根據(jù)最相鄰用戶列表userList中的用戶對(duì)當(dāng)前用戶可能使用的WBS模板列表possibleList中的各個(gè)WBS模板進(jìn)行評(píng)分，預(yù)測(cè)當(dāng)前用戶對(duì)possibleList列表中WBS模板的評(píng)分包括：利用公式計(jì)算當(dāng)前用戶u對(duì)其可能使用的WBS模板列表possibleList中的第T個(gè)WBS模板計(jì)的評(píng)分ruT，其中，R(u)表示用戶u的最相鄰用戶列表，表示用戶u對(duì)已評(píng)分WBS模板評(píng)分的平均值，表示用戶v對(duì)已評(píng)分WBS模板評(píng)分的平均值，Sim(u,v)表示用戶u和用戶v的相似度，rvT表示用戶v對(duì)WBS模板T的評(píng)分，Iuv表示用戶u和用戶v的共同評(píng)分集合。優(yōu)選地，δ的值為0.8。優(yōu)選地，所述深度學(xué)習(xí)模型為Doc2Vec模型。本專利技術(shù)實(shí)施例提供的工作分解結(jié)構(gòu)WBS模板推薦方法，具有以下有益效果：利用深度學(xué)習(xí)模型構(gòu)建WBS模板之間相似度矩陣，通過(guò)補(bǔ)全策略補(bǔ)全用戶與WBS模板之間的交互矩陣，解決了由于交互矩陣稀疏等問(wèn)題引起的用戶之間的相似度矩陣計(jì)算精準(zhǔn)度不高的問(wèn)題，提高了推薦效率，能夠更準(zhǔn)確地將WBS模板推薦給用戶。具體實(shí)施例以下結(jié)合具體實(shí)施例對(duì)本專利技術(shù)作具體的介紹。本專利技術(shù)提供的實(shí)施例提供的工作分解結(jié)構(gòu)WBS模板推薦方法，包括以下步驟：S101，建立用戶與WBS模板之間的第一交互矩陣P(m,n),其中，m為用戶總數(shù)，n為WBS模板總數(shù)。作為本專利技術(shù)一個(gè)具體的實(shí)施例，第一交互矩陣P(m,n)中的數(shù)值表示用戶對(duì)WBS模板的歷史操作記錄得分，例如收藏模板加1分，使用模板加1分，沒(méi)有數(shù)值表示沒(méi)有操作。S102，使用深度學(xué)習(xí)模型，得到WBS模板之間的相似度矩陣Q(n,n)。S103，根據(jù)WBS模板之間的相似度矩陣Q(n,n)，補(bǔ)全第一交互矩陣P(m,n)，得到用戶與WBS模板之間的第二交互矩陣W(m,n)。S104，根據(jù)第二交互矩陣W(m,n)，得到用戶對(duì)各個(gè)WBS模板評(píng)分的向量集合V{v1,v2,…,Vm×n}。S105，根據(jù)向量集合V{v1,v2,…,Vm×n}，計(jì)算用戶之間的相似度，得到各個(gè)用戶之間的相似度矩陣U(m,m)。作為本專利技術(shù)一個(gè)具體的實(shí)施例，可以使用余弦相似度算法，計(jì)算用戶之間的相似度。S106，根據(jù)各個(gè)用戶之間的相似度矩陣U(m,m)，獲取當(dāng)前用戶所在的行本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
1.一種工作分解結(jié)構(gòu)WBS模板推薦方法，其特征在于，包括：/n建立用戶與WBS模板之間的第一交互矩陣P(m,n),其中，m為用戶總數(shù)，n為WBS模板總數(shù)；/n使用深度學(xué)習(xí)模型，得到WBS模板之間的相似度矩陣Q(n,n)；/n根據(jù)WBS模板之間的相似度矩陣Q(n,n)，補(bǔ)全所述第一交互矩陣P(m,n)，得到用戶與WBS模板之間的第二交互矩陣W(m,n)；/n根據(jù)所述第二交互矩陣W(m,n)，得到用戶對(duì)各個(gè)WBS模板評(píng)分的向量集合V{v

【技術(shù)特征摘要】
1.一種工作分解結(jié)構(gòu)WBS模板推薦方法，其特征在于，包括：
建立用戶與WBS模板之間的第一交互矩陣P(m,n),其中，m為用戶總數(shù)，n為WBS模板總數(shù)；
使用深度學(xué)習(xí)模型，得到WBS模板之間的相似度矩陣Q(n,n)；
根據(jù)WBS模板之間的相似度矩陣Q(n,n)，補(bǔ)全所述第一交互矩陣P(m,n)，得到用戶與WBS模板之間的第二交互矩陣W(m,n)；
根據(jù)所述第二交互矩陣W(m,n)，得到用戶對(duì)各個(gè)WBS模板評(píng)分的向量集合V{v1,v2,…,Vm×n}；
根據(jù)向量集合V{v1,v2,…,Vm×n}，計(jì)算用戶之間的相似度，得到各個(gè)用戶之間的相似度矩陣U(m,m)；
根據(jù)各個(gè)用戶之間的相似度矩陣U(m,m)，獲取當(dāng)前用戶所在的行向量，根據(jù)行向量中代表的相似度從高到低排序并選取前面設(shè)定數(shù)量的相似度對(duì)應(yīng)的用戶，得到當(dāng)前用戶的共同愛(ài)好用戶列表，依次選取所述共同愛(ài)好用戶列表中前面設(shè)定數(shù)量的用戶，得到當(dāng)前用戶的最相鄰用戶列表userList；
從所述第一交互矩陣P(m,n)中獲取與最相鄰用戶列表userList中各個(gè)用戶存在交互關(guān)系的WBS模板，得到WBS模板列表L；
過(guò)濾掉WBS模板列表L中重復(fù)的WBS模板，得到模板列表S，再過(guò)濾掉所述第一交互矩陣P(m,n)中與當(dāng)前用戶存在交互關(guān)系的WBS模板，得到模板列表T；
合并模板列表S和模板列表T，構(gòu)成當(dāng)前用戶可能使用的WBS模板列表possibleList；
根據(jù)最相鄰用戶列表userList中的用戶對(duì)當(dāng)前用戶可能使用的WBS模板列表possibleList中的各個(gè)WBS模板進(jìn)行評(píng)分，預(yù)測(cè)當(dāng)前用戶對(duì)possibleList列表中WBS模板的評(píng)分；
根據(jù)所述評(píng)分的高低，對(duì)當(dāng)前用戶可能使用的WBS模板列表possibleList中的各個(gè)WBS模板進(jìn)行排序，將前面連續(xù)設(shè)定數(shù)量的WBS模板推薦給當(dāng)前用戶。


2.根據(jù)權(quán)利要求1所述的工作分解結(jié)構(gòu)WBS...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張琳昊，胡楊博，欒森，邵壯，方進(jìn)濤，任江濤，
申請(qǐng)(專利權(quán))人：北京神舟航天軟件技術(shù)有限公司，
類型：發(fā)明
國(guó)別省市：北京;11