CN112069417A - 一种工作分解结构wbs模板推荐方法 - Google Patents

一种工作分解结构wbs模板推荐方法 Download PDF

Info

Publication number
CN112069417A
CN112069417A CN202010857167.5A CN202010857167A CN112069417A CN 112069417 A CN112069417 A CN 112069417A CN 202010857167 A CN202010857167 A CN 202010857167A CN 112069417 A CN112069417 A CN 112069417A
Authority
CN
China
Prior art keywords
wbs
user
template
list
wbs template
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010857167.5A
Other languages
English (en)
Inventor
张琳昊
胡杨博
栾森
邵壮
方进涛
任江涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shenzhou Aerospace Software Technology Co ltd
Original Assignee
Beijing Shenzhou Aerospace Software Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Shenzhou Aerospace Software Technology Co ltd filed Critical Beijing Shenzhou Aerospace Software Technology Co ltd
Priority to CN202010857167.5A priority Critical patent/CN112069417A/zh
Publication of CN112069417A publication Critical patent/CN112069417A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

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。

Description

一种工作分解结构WBS模板推荐方法
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,…,Vm×n}；
根据向量集合V{v1,v2,…,Vm×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；
合并模板列表S和模板列表T，构成当前用户可能使用的WBS模板列表possibleList；
根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分；
根据所述评分的高低，对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行排序，将前面连续设定数量的WBS模板推荐给当前用户。
优选地，根据各个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)包括：
利用公式
Figure BDA0002646830610000031
计算用户对各个WBS模板中未评分WBS模板的评分，将所述评分写入所述第一稀疏交互矩阵，其中，rut表示用户u对未评分的第t个WBS模板的评分，Pu表示用户u已评分的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WBS模板Iv和WBS模板It之间的相似度，sim(Iv,It)∈[0，1]，ruv表示用户u对WBS模板Iv的评分，δ是自定义的阈值，其值在0与1之间；当sim(Iv,It)的值大于δ时，将计算得到的rut写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分；当sim(Iv,It)的值小于δ时，则将数值0写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分。
优选地，根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分包括：
利用公式
Figure BDA0002646830610000041
计算当前用户u对其可能使用的WBS模板列表possibleList中的第T个WBS模板计的评分ruT，其中，R(u)表示用户u的最相邻用户列表，
Figure BDA0002646830610000042
表示用户u对已评分WBS模板评分的平均值，
Figure BDA0002646830610000043
表示用户v对已评分WBS模板评分的平均值，Sim(u,v)表示用户u和用户v的相似度，
Figure BDA0002646830610000044
rvT表示用户v对WBS模板T的评分，Iuv表示用户u和用户v的共同评分集合。
优选地，δ的值为0.8。
优选地，所述深度学习模型为Doc2Vec模型。
本发明实施例提供的工作分解结构WBS模板推荐方法，具有以下有益效果：
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。
具体实施例
以下结合具体实施例对本发明作具体的介绍。
本发明提供的实施例提供的工作分解结构WBS模板推荐方法，包括以下步骤：
S101，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。
作为本发明一个具体的实施例，第一交互矩阵P(m,n)中的数值表示用户对WBS模板的历史操作记录得分，例如收藏模板加1分，使用模板加1分，没有数值表示没有操作。
S102，使用深度学习模型，得到WBS模板之间的相似度矩阵Q(n,n)。
S103，根据WBS模板之间的相似度矩阵Q(n,n)，补全第一交互矩阵P(m,n)，得到用户与WBS模板之间的第二交互矩阵W(m,n)。
S104，根据第二交互矩阵W(m,n)，得到用户对各个WBS模板评分的向量集合V{v1,v2,…,Vm×n}。
S105，根据向量集合V{v1,v2,…,Vm×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)。
作为本发明一个具体的实施例，可以使用余弦相似度算法，计算用户之间的相似度。
S106，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。
S107，从第一交互矩阵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；
S108，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。
S109，合并模板列表S和模板列表T，构成当前用户可能使用的WBS模板列表possibleList。
S1010，根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分；
S1011，根据该评分的高低，对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行排序，将前面连续设定数量的WBS模板推荐给当前用户。
可选地，根据各个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)包括：
利用公式
Figure BDA0002646830610000071
计算用户对各个WBS模板中未评分WBS模板的评分，将所述评分写入所述第一稀疏交互矩阵，其中，rut表示用户u对未评分的第t个WBS模板的评分，Pu表示用户u已评分的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WBS模板Iv和WBS模板It之间的相似度，sim(Iv,It)∈[0，1]，ruv表示用户u对WBS模板Iv的评分，δ是自定义的阈值，其值在0与1之间；当sim(Iv,It)的值大于δ时，将计算得到的rut写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分；当sim(Iv,It)的值小于δ时，则将数值0写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分。
可选地，根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分包括：
利用公式
Figure BDA0002646830610000072
计算当前用户u对其可能使用的WBS模板列表possibleList中的第T个WBS模板计的评分ruT，其中，R(u)表示用户u的最相邻用户列表，
Figure BDA0002646830610000073
表示用户u对已评分WBS模板评分的平均值，
Figure BDA0002646830610000074
表示用户v对已评分WBS模板评分的平均值，Sim(u,v)表示用户u和用户v的相似度，
Figure BDA0002646830610000081
rvT表示用户v对WBS模板T的评分，Iuv表示用户u和用户v的共同评分集合。
其中，在Iuv中的数据量较少时，修正余弦相似度算法同样不能准确计算相似度的大小，但是Iuv中的数据量在大于一定范围内时，修正余弦相似性算法的准确度较高。
可选地，δ的值为0.8。
可选地，深度学习模型为Doc2Vec模型。
本发明实施例提供的工作分解结构WBS模板推荐方法，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。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种工作分解结构WBS模板推荐方法，其特征在于，包括：
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,…,Vm×n}；
根据向量集合V{v1,v2,…,Vm×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并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，依次选取所述共同爱好用户列表中前面设定数量的用户，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；
合并模板列表S和模板列表T，构成当前用户可能使用的WBS模板列表possibleList；
根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分；
根据所述评分的高低，对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行排序，将前面连续设定数量的WBS模板推荐给当前用户。
2.根据权利要求1所述的工作分解结构WBS模板推荐方法，其特征在于，根据各个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)包括：
利用公式
Figure FDA0002646830600000021
计算用户对各个WBS模板中未评分WBS模板的评分，将所述评分写入所述第一稀疏交互矩阵，其中，rut表示用户u对未评分的第t个WBS模板的评分，Pu表示用户u已评分的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WBS模板Iv和WBS模板It之间的相似度，sim(Iv,It)∈[0，1]，ruv表示用户u对WBS模板Iv的评分，δ是自定义的阈值，其值在0与1之间；当sim(Iv,It)的值大于δ时，将计算得到的rut写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分；当sim(Iv,It)的值小于δ时，则将数值0写入所述第一稀疏交互矩阵中，当作用户u对未评分的第t个WBS模板的评分。
3.根据权利要求1所述的工作分解结构WBS模板推荐方法，其特征在于，根据最相邻用户列表userList中的用户对当前用户可能使用的WBS模板列表possibleList中的各个WBS模板进行评分，预测当前用户对possibleList列表中WBS模板的评分包括：
利用公式
Figure FDA0002646830600000031
计算当前用户u对其可能使用的WBS模板列表possibleList中的第T个WBS模板计的评分ruT，其中，R(u)表示用户u的最相邻用户列表，
Figure FDA0002646830600000032
表示用户u对已评分WBS模板评分的平均值，
Figure FDA0002646830600000033
表示用户v对已评分WBS模板评分的平均值，Sim(u,v)表示用户u和用户v的相似度，
Figure FDA0002646830600000034
rvT表示用户v对WBS模板T的评分，Iuv表示用户u和用户v的共同评分集合。
4.根据权利要求2所述的工作分解结构WBS模板推荐方法，其特征在于，δ的值为0.8。
5.根据权利要求1所述的工作分解结构WBS模板推荐方法，其特征在于，所述深度学习模型为Doc2Vec模型。
CN202010857167.5A 2020-08-24 2020-08-24 一种工作分解结构wbs模板推荐方法 Pending CN112069417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010857167.5A CN112069417A (zh) 2020-08-24 2020-08-24 一种工作分解结构wbs模板推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010857167.5A CN112069417A (zh) 2020-08-24 2020-08-24 一种工作分解结构wbs模板推荐方法

Publications (1)

Publication Number Publication Date
CN112069417A true CN112069417A (zh) 2020-12-11

Family

ID=73659888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010857167.5A Pending CN112069417A (zh) 2020-08-24 2020-08-24 一种工作分解结构wbs模板推荐方法

Country Status (1)

Country Link
CN (1) CN112069417A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269667A (zh) * 2022-09-23 2022-11-01 中招国际招标有限公司 一种建筑工程项目模板的推荐方法
US20230109075A1 (en) * 2021-10-06 2023-04-06 Lean Station Pte. Ltd Method for dynamically updating a project plan using an ai model and historical data
WO2023145067A1 (ja) * 2022-01-31 2023-08-03 三菱電機株式会社 機械学習装置、ｗｂｓ作成装置、機械学習方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793465A (zh) * 2013-12-20 2014-05-14 武汉理工大学 基于云计算的海量用户行为实时分析方法及系统
CN105761151A (zh) * 2016-02-02 2016-07-13 浙江工业大学 一种基于联合概率矩阵分解的移动社会化推荐方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN109740064A (zh) * 2019-01-18 2019-05-10 北京化工大学 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法
CN110059261A (zh) * 2019-03-18 2019-07-26 智者四海（北京）技术有限公司 内容推荐方法及装置
CN110704747A (zh) * 2019-10-11 2020-01-17 安徽大学 一种基于深度语义相似性的智能专利推荐方法
CN111339435A (zh) * 2020-02-10 2020-06-26 南京邮电大学 一种基于潜在因子的矩阵分解补全混合推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793465A (zh) * 2013-12-20 2014-05-14 武汉理工大学 基于云计算的海量用户行为实时分析方法及系统
CN105761151A (zh) * 2016-02-02 2016-07-13 浙江工业大学 一种基于联合概率矩阵分解的移动社会化推荐方法
CN109543109A (zh) * 2018-11-27 2019-03-29 山东建筑大学 一种融合时间窗技术和评分预测模型的推荐算法
CN109740064A (zh) * 2019-01-18 2019-05-10 北京化工大学 一种融合矩阵分解和挖掘用户项目信息的cf推荐方法
CN110059261A (zh) * 2019-03-18 2019-07-26 智者四海（北京）技术有限公司 内容推荐方法及装置
CN110704747A (zh) * 2019-10-11 2020-01-17 安徽大学 一种基于深度语义相似性的智能专利推荐方法
CN111339435A (zh) * 2020-02-10 2020-06-26 南京邮电大学 一种基于潜在因子的矩阵分解补全混合推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230109075A1 (en) * 2021-10-06 2023-04-06 Lean Station Pte. Ltd Method for dynamically updating a project plan using an ai model and historical data
WO2023145067A1 (ja) * 2022-01-31 2023-08-03 三菱電機株式会社 機械学習装置、ｗｂｓ作成装置、機械学習方法
WO2023145158A1 (ja) * 2022-01-31 2023-08-03 三菱電機株式会社 機械学習装置、ｗｂｓ作成装置、機械学習方法
CN115269667A (zh) * 2022-09-23 2022-11-01 中招国际招标有限公司 一种建筑工程项目模板的推荐方法

Similar Documents

Publication Publication Date Title
CN112069417A (zh) 一种工作分解结构wbs模板推荐方法
Liu Big data and predictive business analytics.
CN110070121B (zh) 一种基于树策略与平衡k均值聚类的快速近似k近邻方法
CN110533018B (zh) 一种图像的分类方法及装置
Wang et al. Markov topic models
Aldridge et al. Big data science in finance
Chen et al. An overlapping cluster algorithm to provide non-exhaustive clustering
Canepa et al. Global cities and local housing market cycles
Sarhan Fintech: an overview
CN110209863B (zh) 用于相似图片检索的方法与设备
Ni et al. An Introduction to Machine Learning in Quantitative Finance
CN112446739B (zh) 一种基于分解机和图神经网络的点击率预测方法及系统
CN116778182A (zh) 一种基于多尺度特征融合的素描作品评级方法及模型
CN111461397A (zh) 一种基于改进支持向量回归机的预算预测方法及设备、介质
CN108241622B (zh) 一种查询脚本的生成方法及装置
Dhar Should you trust your money to a robot?
Schreck Visual-interactive analysis with self-organizing maps-advances and research challenges
CN106971175A (zh) 一种在纠缠场景表示中发现物体及其关系的方法
Thakkar et al. Complex Proportion Assessment Method (COPRAS)
CN110019507B (zh) 数据同步的方法及装置
Aktan An Empirical Examination of Clustering at Bahrain Bourse (BHB)
CN116883175B (zh) 一种投融资活动决策生成方法和装置
Lim et al. Clustering Based on Customers’ Behaviour in Accepting Personal Loan using Unsupervised Machine Learning
US20140025435A1 (en) System and Methods for Brute Force Traversal
Chai et al. Loan recommendation in P2P lending investment networks: a hybrid graph convolution approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination