[发明专利]一种工作分解结构WBS模板推荐方法

说明书

本发明公开的工作分解结构WBS模板推荐方法，涉及计算机技术领域，利用深度学习模型构建WBS模板之间相似度矩阵，通过补全策略补全用户与WBS模板之间的交互矩阵，解决了由于交互矩阵稀疏等问题引起的用户之间的相似度矩阵计算精准度不高的问题，提高了推荐效率，能够更准确地将WBS模板推荐给用户。

技术领域

本发明涉及计算机技术领域，具体涉及一种工作分解结构WBS模板推荐方法。

背景技术

工作分解结构(Work Breakdown Structure，WBS)计划作为项目管理的一个重要组成部分，其应用效果的好坏将直接影响整体项目的管理效果。对于同一公司、同一企业管理者或者同类项目，其编写的WBS计划往往具有类似特征，在WBS模板的基础上进行修改将大大减少WBS计划编写的时间与难度。

在大量WBS模板和用户的模糊需求场景下，优秀的WBS模板推荐算法能够符合项目计划应场景需求，从用户所在岗位、所在项目类型、用户协同关系几方面挖掘，帮助WBS计划编写人员从大量的WBS模板中更精准地检索出更匹配的WBS模板，为他们撰写项目计划提供参考，从而提升项目计划质量。但是目前的推荐算法面临诸多挑战，如数据噪声多、可解释性差、冷启动问题、可扩展性问题以及推荐模式较为单一、对冷启动用户推荐效果不理想等问题。

目前，经常使用的推荐算法主要包括基于内容的推荐算法、协同过滤推荐算法和基于内容和协同过滤的混合推荐算法。其中，协同过滤推荐算法包括基于领域的协同过滤推荐算法和基于模型的协同过滤推荐算法，基于领域的协同过滤推荐算法包括基于用户协同过滤推荐算法和基于项目的协同过滤推荐算法。基于内容的推荐算法主要使用对象本身的内容信息来做出推荐行为，协同过滤推荐算法主要思想就是矩阵分解技术，将用户和对象之间的关系映射到相同的隐因子空间中。

由于受到交互矩阵稀疏、冷启动等问题，现有推荐算法的性能受到很大影响，导致推荐结果准确率较低。

对于WBS模板推荐算法都仍停留于理论研究，市场上未见有WBS模板推荐算法采用。

发明内容

为解决现有技术的不足，本发明实施例提供了一种工作分解结构WBS模板推荐方法，该方法包括以下步骤：

建立用户与WBS模板之间的第一交互矩阵P(m,n),其中，m为用户总数，n为WBS模板总数；

使用深度学习模型，得到WBS模板之间的相似度矩阵Q(n,n)；

根据WBS模板之间的相似度矩阵Q(n,n)，补全所述第一交互矩阵P(m,n)，得到用户与WBS模板之间的第二交互矩阵W(m,n)；

根据所述第二交互矩阵W(m,n)，得到用户对各个WBS模板评分的向量集合V{v₁,v₂,…,V_m×n}；

根据向量集合V{v₁,v₂,…,V_m×n}，计算用户之间的相似度，得到各个用户之间的相似度矩阵U(m,m)；

根据各个用户之间的相似度矩阵U(m,m)，获取当前用户所在的行向量，根据行向量中代表的相似度从高到低排序，选取前面设定数量的相似度对应的用户，得到当前用户的共同爱好用户列表，从前到后依次选取所述共同爱好用户列表中设定数量的用户，得到当前用户的最相邻用户列表userList；

从所述第一交互矩阵P(m,n)中获取与最相邻用户列表userList中各个用户存在交互关系的WBS模板，得到WBS模板列表L；

过滤掉WBS模板列表L中重复的WBS模板，得到模板列表S，再过滤掉所述第一交互矩阵P(m,n)中与当前用户存在交互关系的WBS模板，得到模板列表T；