一种基于大数据的人力资源配置优化系统的制作方法

本发明涉及数据处理，具体涉及一种基于大数据的人力资源配置优化系统。

背景技术：

1、在当前企业数字化转型进程中，人力资源作为核心生产要素，其配置的科学性直接影响企业运营效率与核心竞争力，传统人力资源配置方法多依赖人力资源管理者的经验判断，或仅基于单一维度的人员信息与岗位需求进行匹配，数据维度单一，未充分挖掘人员特质与岗位需求，导致匹配精准度低；缺乏动态调整机制，无法实时响应配置需求，配置灵活性不足；优化效率低下，面对大规模人员与岗位池时，人工或简单算法的计算复杂度呈指数级增长，难以快速输出最优配置方案。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种基于大数据的人力资源配置优化系统。

2、本发明提供一种基于大数据的人力资源配置优化系统，该系统包括：

3、数据处理模块，用于采集员工的多维度原始数据，对所述多维度原始数据进行预处理与数据融合，得到融合数据；

4、特征提取模块，用于将所述融合数据输入cnn-lstm模型进行人员和岗位特征深度提取，输入融合特征向量，其中cnn-lstm模型包括多尺度卷积核的cnn特征提取层、lstm时序特征提取层与特征融合层，cnn特征提取层引入se注意力机制；

5、生成方案模块，用于基于所述融合特征向量，采用nsga-ⅲ算法进行多目标人力资源配置优化，求解帕累托最优解集，生成最优配置方案；

6、执行方案模块，用于执行所述最优配置方案，实时监测数据变动并触发重新优化流程。

7、可选的，在本发明的第一种实现方式中，所述数据处理模块包括：

8、形成子模块，用于采集员工结构化数据、行为数据和岗位数据，形成多维度原始数据；

9、剔除子模块，用于先采用随机森林算法对所述多维度原始数据中的缺失值进行填充，再采用3σ原则与dbscan密度聚类相结合的方式剔除异常值；

10、转换子模块，用于采用z-score标准化算法对处理后的数据进行归一化处理，对归一化后的数据中非结构化数据进行分词、去除停用词预处理，再提取文本的语义特征，将每条非结构化文本转换为固定维度的结构化特征向量；

11、关联拼接子模块，用于将转换后的结构化特征向量与原有结构化数据按照人员id和岗位id进行关联拼接，得到融合数据。

12、可选的，在本发明的第二种实现方式中，所述剔除子模块包括：

13、通过3σ原则对数值型数据进行初步筛选，计算数值型字段的均值和标准差，将超出均值±3倍标准差范围的数据标记为疑似异常值；

14、采用dbscan密度聚类算法对初步筛选后的数据进行二次验证，设定邻域半径和最小样本数，将疑似异常值中未被归入任何聚类簇的孤立点判定为最终异常值并剔除。

15、可选的，在本发明的第三种实现方式中，所述特征提取模块包括：

16、预处理子模块，用于对所述融合数据进行时序分解预处理，将分解得到的每个有效分量分别输入初始化cnn-lstm模型，其中采用pso算法对cnn-lstm模型进行超参数优化；

17、运算子模块，用于通过cnn特征提取层通过三种不同尺度的卷积核进行并行卷积运算，分别提取不同粒度的局部特征；

18、变换子模块，用于引入se注意力机制对卷积得到的局部特征进行处理，先对各通道的特征进行全局平均池化，得到通道特征统计值，再通过全连接层对统计值进行非线性变换，生成各通道的权重系数；

19、第一计算子模块，用于将权重系数与原卷积特征进行逐通道相乘，得到加权后的局部特征；

20、捕捉子模块，用于从所述融合数据中筛选时序数据，输入lstm时序特征提取层，通过第一层lstm单元对时序数据进行逐时刻处理，捕捉时序依赖关系，生成初步时序特征；

21、挖掘子模块，用于将初步时序特征输入第二层lstm单元，挖掘长期时序规律，得到最终的时序特征；

22、拼接子模块，用于将cnn特征提取层得到的局部特征与lstm时序特征提取层得到的时序特征输入特征融合层，将局部特征和时序特征进行维度拼接，形成融合特征向量。

23、可选的，在本发明的第四种实现方式中，所述运算子模块包括：

24、向融合数据中加入成对的正负白噪声，对加入噪声后的融合数据进行经验模态分解，得到若干个本征模函数分量和一个残余项；

25、对分解得到的各本征模函数分量和残余项进行有效性校验，剔除无效分量，得到有效分量集合。

26、可选的，在本发明的第五种实现方式中，所述cnn-lstm模型包括输入层、cnn局部特征提取层、lstm时序特征提取层和输出层；其中cnn局部特征提取层预设1×3、1×5、1×7三种尺度的一维卷积核，激活函数选用relu；lstm时序特征提取层设置2层隐藏层，确定隐藏单元数量和dropout系数。

27、可选的，在本发明的第六种实现方式中，所述pso算法超参数优化过程包括：

28、确定待优化的超参数集合，其中待优化的超参数集合至少包括各子模型cnn层的卷积核数量、lstm层的隐藏单元数量、dropout系数；

29、将cnn-lstm模型预测结果的均方根误差作为pso算法的适应度指标，初始化粒子群的位置和速度；

30、通过迭代计算每个粒子的适应度值，更新粒子的个体最优位置和群体最优位置，直至达到最大迭代次数或适应度值收敛，输出最优超参数组合，将最优超参数组合代入cnn-lstm模型，得到优化后的cnn-lstm模型。

31、可选的，在本发明的第七种实现方式中，所述生成方案模块包括：

32、初始子模块，用于基于融合特征向量确定优化目标，并设定约束条件，采用拉丁超立方抽样算法生成初始种群；

33、第一交叉子模块，用于从初始种群中随机选取成对的父代个体，对每对父代个体，部分个体采用模拟二进制交叉，通过预设的交叉概率生成中间个体，模拟二进制编码的交叉过程；

34、第二交叉子模块，用于另一部分个体采用差分进化交叉，通过对三个不同父代个体进行差分运算生成变异向量，再与目标父代个体进行交叉得到中间个体；

35、整合子模块，用于将两种交叉方式得到的中间个体整合，形成交叉后的子代种群；

36、第二计算子模块，用于计算当前种群的进化进度，其中进化进度至少包括种群的平均适应度、最优适应度及适应度方差；

37、变异子模块，用于根据进化进度动态调整变异概率，按照动态调整后的变异概率，对交叉后的子代种群中部分个体的基因片段进行随机变异，生成变异后的子代种群；

38、选择子模块，用于采用拥挤度排序与精英保留策略相结合的选择机制进行种群选择操作；

39、迭代子模块，用于重复交叉、变异、选择操作，直至达到预设的迭代次数，迭代结束后，从最终种群中筛选出非支配解，形成帕累托最优解集；

40、选取子模块，用于从帕累托最优解集中选取符合各优化目标要求的解作为最优解，基于最优解生成具体的人力资源配置方案。

41、可选的，在本发明的第八种实现方式中，所述优化目标包括确定人岗匹配度最大化、人力成本最小化、团队协作效率最大化、员工职业发展匹配度最大化，所述约束条件包括每个岗位配置人数不超过编制上限的岗位编制约束、核心岗位必须配置具备指定技能人员的技能必备约束、单个人员配置任务量不超过其最大工作负荷的人员负荷约束。

42、可选的，在本发明的第九种实现方式中，实现一种基于大数据的人力资源配置优化系统的方法，该方法包括以下步骤：

43、采集员工的多维度原始数据，对所述多维度原始数据进行预处理与数据融合，得到融合数据；

44、将所述融合数据输入cnn-lstm模型进行人员和岗位特征深度提取，输入融合特征向量，其中cnn-lstm模型包括多尺度卷积核的cnn特征提取层、lstm时序特征提取层与特征融合层，cnn特征提取层引入se注意力机制；

45、基于所述融合特征向量，采用nsga-ⅲ算法进行多目标人力资源配置优化，求解帕累托最优解集，生成最优配置方案；

46、执行所述最优配置方案，实时监测数据变动并触发重新优化流程。

47、本发明提供的技术方案中，采集员工的多维度原始数据，对多维度原始数据进行预处理与数据融合，得到融合数据；将融合数据输入cnn-lstm模型进行人员和岗位特征深度提取，输入融合特征向量，其中cnn-lstm模型包括多尺度卷积核的cnn特征提取层、lstm时序特征提取层与特征融合层，cnn特征提取层引入se注意力机制；基于融合特征向量，采用nsga-ⅲ算法进行多目标人力资源配置优化，求解帕累托最优解集，生成最优配置方案；执行最优配置方案，实时监测数据变动并触发重新优化流程；本发明通过采集多维度员工原始数据并完成预处理融合，结合含多尺度卷积核与se注意力机制的cnn-lstm模型深度提取人员与岗位特征，突破传统单一维度匹配局限，使特征表征更贴合核心需求，人岗适配精准度显著提高，匹配精准度大幅提升；基于nsga-ⅲ算法，平衡企业运营效益与员工发展诉求，解决传统单目标优化的片面性问题；通过实时监测数据变动并触发重新优化流程，可快速响应企业业务调整、人员状态变化等动态需求，保障配置方案始终贴合实际场景；大幅降低大规模人员岗位配置的计算复杂度，快速输出最优方案，且方案执行流程清晰，为企业人力资源配置提供高效的技术支撑。