技术领域本发明涉及网络技术领域，具体是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。
背景技术：
在线学习(e-learning)已成为企业开展员工培训的有效方式之一。目前，许多企业搭建了在线学习支持系统。随着在线学习资源的日益丰富与学习者学习需求的更加复杂与多样，员工需要花费较多的时间与精力在平台中查阅与检索符合自己需要的学习资源，甚至找不到符合自身兴趣与岗位需求的资源，另一方面员工潜在的学习需求也难以被发现。而传统的在线学习系统推送学习资源的方式又存在较大缺陷，因此有研究者借鉴推荐系统在电子商务领域中的成功经验，将协同过滤等方法应用到在线学习系统中。但是协同过滤方法本身所具有的评分矩阵稀疏、冷启动等问题在学习推荐系统中依然存在。
技术实现要素：
本发明的目的在于提供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，学习地图是指以能力发展路径和职业规划为主轴而设计的一系列学习活动，是员工在企业内学习发展路径的直接体现。协同过滤是基于员工对学习项目的评分通过计算相似度进行推荐的方法，两者的结合能起到很好的互补作用,优化个性化学习推荐过程，以解决上述背景技术中提出的问题。为实现上述目的，本发明提供如下技术方案：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，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α1=12sim(k,l);]]>其中，0＜k＜N，0＜l＜N，0＜α1＜1/2，Ik和Il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：α2=simI(k,l)=Σru∈ukl(ruk-r‾u)(rul-r‾u)Σru∈ukl(ruk-r‾u)2Σru∈ukl(rul-r‾u)2]]>其中，0＜k，l＜N，ukl为同时给两项目评分的公共员工集，ruk，rul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，β2=simU(a,b)=Σru∈uab(rai-r‾a)(rbi-r‾b)Σru∈uab(rai-r‾a)2Σru∈uab(rbi-r‾b)2]]>其中，uab为公共评分员工集，rai、rbi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uc的已访问学习资源项目集合I中的每一个项目Ik，0＜k＜N，根据相似度将Ik的所有邻居项目Il集合包含进候选项目集合，Ik′=(∪IkIl)-Ik]]>对于候选项目集合I′k中的统计I′ki与Ik的累加相似度sim(Iki′,Ik)=ΣIk∈Isim(Iki′,I);]]>根据所有候选项目I′ki的累加相似度sim(I′ki，Ik)，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。作为本发明进一步的方案：所述步骤(3)中，员工a对项目k的评分预测通过如下公式计算，P(a,k)=r‾a+Σu∈uabsim(a,u)×(rak-r‾u)Σu∈uabsim(a,u)]]>其中，是员工a的平均评分，rak是a对项目k的评分，uab代表公共评分集。与现有技术相比，本发明的有益效果是：1、相较于传统方法，协同过滤算法的应用使得个性化学习的推荐内容不再局限于文本资源，对半结构化、非结构化数据，多媒体学习资源如：动画、视频、音频等也能准确推荐，在推荐内容上具有一定普适性；2、员工对资源的评分反应了员工对资源的满意程度，在绝大多数情况下代表了该资源的质量，在建立评分数据基础上的协同推荐具有较高的准确度，而且该方法使得相似员工间彼此共享资源使用经验，拓展其学习思路，推荐更加高效；3、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，4、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；5、该推荐方法一方面解决了协同过滤的评分矩阵稀疏与冷启动问题，另一方面结合了员工具体学习路线，推荐结果更加准确更加个性化。附图说明图1为本发明的优化结构图。图2为本发明的流程图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，首先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。如图2，一种基于学习地图与协同过滤的员工个性化学习推荐方法，具体步骤如下：(1)学习地图建模学习地图绘制的四个步骤：岗位分析、能力建模、课程内容设计及体系建立，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α1=12sim(k,l);]]>其中，0＜k＜N，0＜l＜N，0＜α1＜1/2，Ik和Il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：α2=simI(k,l)=Σru∈ukl(ruk-r‾u)(rul-r‾u)Σru∈ukl(ruk-r‾u)2Σru∈ukl(rul-r‾u)2]]>其中，0＜k，l＜N，ukl为同时给两项目评分的公共员工集，ruk，rul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，β2=sim1J(a,b)=ΣruEUab(rai-ra‾)(rbi-rb‾)Σru∈uab(rω‾-ra‾)2Σru∈uab(rb1‾-rb‾)2]]>其中，uab为公共评分员工集，rai、rbi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uc的已访问学习资源项目集合I中的每一个项目Ik，0＜k＜N，根据相似度将Ik的所有邻居项目Il集合包含进候选项目集合，Ik′=(∪IkIl)-Ik]]>对于候选项目集合I′k中的统计I′ki与Ik的累加相似度sim(Iki′,Ik)=ΣIk∈Isim(Iki′,I);]]>根据所有候选项目I′ki的累加相似度sim(I′ki，Ik)，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；员工a对项目k的评分预测通过如下公式计算，P(a,k)=r‾a+Σu∈uabsim(a,u)×(rak-r‾u)Σu∈uabsim(a,u)]]>其中，是员工a的平均评分，rak是a对项目k的评分，uab代表公共评分集；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。需要指出的是，当评分矩阵非常稀疏时，系统依然可以根据学习地图的相似度产生推荐结果，因此一定程度上解决了协同过滤的矩阵稀疏问题；当面对新用户的内容推荐时，可根据该员工的岗位等信息计算其学习地图模型据此产生相对准确的推荐从而解决了系统的冷启动问题。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。