[发明专利]一种基于学习地图与协同过滤的员工个性化学习推荐方法

摘要

本发明公开了一种基于学习地图与协同过滤的员工个性化学习推荐方法，根据在线学习平台的学习资源内容与学习者（企业员工）实际情况，分别提取资源特征和员工属性，建立数学模型，然后根据相似度计算推荐列表产生推荐结果，并收集学习者的反馈情况用于改进相似度计算，优化推荐过程。本发明方法对半结构化、非结构化数据、多媒体学习资源在推荐内容上具有一定普适性，将员工学习地图与协同过滤相结合，一方面修正、优化了推荐结果，另一方面能有效解决评分矩阵稀疏与新员工的学习资源推荐即冷启动问题，使得在线学习平台的学习内容推送更加个性化，有效帮助企业员工迅速成长，节约了员工培训、学习成本，提高了员工学习效率。

主权项

一种基于学习地图与协同过滤的员工个性化学习推荐方法，其特征在于，具体步骤如下：(1)学习地图建模为便于计算员工学习地图的相似度，根据企业具体的岗位级别和员工能力标签以及现有的在线课程学习内容，从数据库获取项目属性数据和员工属性数据存储在对应的数据库表中，采用二进制编码建立员工学习地图矩阵模型，其矩阵形式为(2)相似度计算①计算员工学习地图相似度，定义员工k同员工l之间的学习地图相似度为α₁，计算方公式为${\mathrm{\α}}_1=\frac{1}{2}sim(k,l);$其中，0＜k＜N，0＜l＜N，0＜α₁＜1/2，I_k和I_l分别是员工k与员工l的学习地图矩阵，最终相似度为员工学习地图相似度sim(k，l)的0.5倍；②根据员工对学习资源项目的评分矩阵计算项目k和其他项目l之间的相似度α₂计算公式如下：${\mathrm{\α}}_2={\mathrm{sim}}_I(k,l)=\frac{{\mathrm{\Σ}}_{r_u\∈u_{kl}}(r_{uk}-{\stackrel{\‾}{r}}_u)(r_{ul}-{\stackrel{\‾}{r}}_u)}{\sqrt{{\mathrm{\Σ}}_{r_u\∈u_{kl}}{(r_{uk}-{\stackrel{\‾}{r}}_u)}^2}\sqrt{{\mathrm{\Σ}}_{r_u\∈u_{kl}}{(r_{ul}-{\stackrel{\‾}{r}}_u)}^2}}$其中，0＜k，l＜N，u_kl为同时给两项目评分的公共员工集，r_uk，r_ul分别表示员工u对项目k和l的评分，是员工对项目的平均评分；利用Pearson相关系数计算员工间相似度β₂，${\mathrm{\β}}_2={\mathrm{sim}}_U(a,b)=\frac{{\mathrm{\Σ}}_{r_u\∈u_{ab}}(r_{ai}-{\stackrel{\‾}{r}}_a)(r_{bi}-{\stackrel{\‾}{r}}_b)}{\sqrt{{\mathrm{\Σ}}_{r_u\∈u_{ab}}{(r_{ai}-{\stackrel{\‾}{r}}_a)}^2}\sqrt{{\mathrm{\Σ}}_{r_u\∈u_{ab}}{(r_{bi}-{\stackrel{\‾}{r}}_b)}^2}}$其中，u_ab为公共评分员工集，r_ai、r_bi分别是员工a和b对同一个项目i的评分，代表员工的平均评分；③计算最终学习资源项目间相似度和最终员工间相似度，员工学习地图的相似度和基于员工评分的员工间相似度是正相关的，最终的相似度计算公式为，学习资源项目相似度：α＝α₂员工间相似度β＝α₁+β₂；(3)构建推荐列表根据相似度分别对项目和员工进行排序，选择top‑k个相应项目和员工作为邻居，对于目标员工u_c的已访问学习资源项目集合I中的每一个项目I_k，0＜k＜N，根据相似度将I_k的所有邻居项目I_l集合包含进候选项目集合，$I_k^{\′}=\left(\underset{I_k}{\∪}{I}_l\right)-I_k$对于候选项目集合I′_k中的统计I′_ki与I_k的累加相似度$sim(I_{ki}^{\′},I_k)={\mathrm{\Σ}}_{I_k\∈I}sim(I_{ki}^{\′},I);$根据所有候选项目I′_ki的累加相似度sim(I′_ki，I_k)，选择累加相似度最大的n个未访问项目构成有序top‑n推荐列表1；根据步骤(2)中③计算的相似度选择top‑k个作为员工邻居，对未评分项目进行评分预测，然后按照估算评分值次序将最大的n个未访问项目构成top‑n推荐列表2；最后，设置参数n构成推荐列表1和推荐列表2，从中选取两列表中最值得推荐的项目作为最终推荐列表推荐给目标员工。