本发明属于人力资源管理优化领域，具体来说，特别涉及一种基于数据挖掘的人力资源管理智能优化方法及系统。
背景技术：
1、公告号为cn111401841b的中国专利公开了 一种人力资源管理系统及其方法，通过信息访问单元与薪酬福利模块实施信息共享管理，当应聘人员需要了解企业薪资福利时，可以向信息访问单元提交访问申请，得到系统管理员的批准后可以直接访问薪酬福利模块的详细信息。
2、在企业的人力资源部门中，对企业员工信息的管理是一项重要的工作内容；员工信息中分为敏感信息和非敏感信息；因此就需要对这两种信息的存储方式进行选择，分开存储或者集中存储；若没有选择合适的存储方式，不仅导致员工的信息有安全方向，也导致了对企业员工信息的访问效率降低；其次，若不能设置合适的存储员工信息的集群的特征参数，由于集群可能由于各种原因，例如宕机或者断电，导致存储的员工信息的丢失风险增加。
技术实现思路
1、针对相关技术中的问题，本发明提出一种基于数据挖掘的人力资源管理智能优化方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为解决上述技术问题，本发明是通过以下技术方案实现的：
3、本发明为一种基于数据挖掘的人力资源管理智能优化方法，包括以下步骤：
4、s1、采集多家企业保存的员工数据、存储方式数据、存储方式影响因素数据、存储员工信息集群的特征数据以及在统计周期内的员工信息丢失的次数，得到企业员工数据矩阵、企业存储方式数据集、企业存储方式影响因素数据矩阵、企业集群特征数据矩阵以及企业员工信息丢失次数数据集。
5、s2、采用企业员工数据矩阵、企业存储方式数据集以及企业存储方式影响因素数据矩阵构建最终存储方式映射方程；采用企业集群特征数据矩阵以及企业员工信息丢失次数数据集构建最终员工信息丢失次数映射模型。
6、s3、采用最终存储方式映射方程对当前企业的员工数据、存储方式影响因素数据进行映射，得到当前存储方式数据；采用最终员工信息丢失次数映射模型对当前企业存储员工信息集群的特征数据进行映射，得到当前企业员工信息丢失次数数据。
7、s4、根据所述当前存储方式数据对当前企业的员工信息进行存储；根据当前企业员工信息丢失次数数据对当前集群特征数据集进行优化，得到当前最终集群特征数据集；
8、通过采集多家企业保存的员工数据、存储方式数据、存储方式影响因素数据、存储员工信息集群的特征数据以及在统计周期内的员工信息丢失的次数，为后续构建最终存储方式映射方程以及最终员工信息丢失次数映射模型提供了数据支持；通过构建最终存储方式映射方程，为后续对采集的当前企业的员工数据、存储方式影响因素数据进行映射提供了映射工具，从而得到当前企业的存储方式预测数据，进而采用该存储方式预测数据对当前企业对员工信息的存储方式进行改正调整；通过构建最终员工信息丢失次数映射模型，为后续对采集的当前企业存储员工信息集群的特征数据进行映射提供了映射工具，从而得到当前企业的员工信息丢失次数预测数据，进而为后续对当前企业的员工存储集群进行调整以保证员工信息的丢失次数达到最小，从而降低了企业员工信息丢失的风险，保证企业的信息安全和完整性。end
9、优选地，设定多种员工的普通信息类型以及敏感信息类型，得到员工普通信息类型集以及员工敏感信息类型集，a1i、a2i分别表示设定的第i种类型的员工普通信息以及员工敏感信息，、分别表示设定的员工普通信息类型以及员工敏感信息的总数量。
10、设定员工信息采集类型集、员工信息存储方式集以及存储方式影响因素类型集；、、分别表示员工信息中普通信息类型的数量、员工信息中敏感信息类型的数量以及员工数量；、分别表示员工普通信息与敏感信息分开存储以及员工普通信息与敏感信息集中存储，分别用0和1进行表示；表示设定第i种存储方式影响因素类型，表示设定的存储方式影响因素类型的总数量。
11、s12、配合所述员工普通信息类型集以及员工敏感信息类型集并根据员工信息采集类型集、员工信息存储方式集以及存储方式影响因素类型集采集多家企业保存的员工数据、存储方式数据以及存储方式影响因素数据，得到企业员工数据矩阵、企业存储方式数据集以及企业存储方式影响因素数据矩阵；表示采集的第i家企业的员工数据的存储方式数据，b表示采集的企业的总数量；、分别如下，
12、；；
13、其中，、、分别表示采集的第i家企业的员工信息中普通信息类型的数量数据、员工信息中敏感信息类型的数量数据以及员工数量数据；表示采集的第i家企业的第j种类型的存储方式影响因素数据。
14、s13、设定员工信息存储集群特征类型集，表示设定的所述员工信息存储集群特征类型集中第i种员工信息存储集群特征类型，表示设定的所述员工信息存储集群特征类型集中员工信息存储集群特征类型的总数量；所述员工信息存储集群特征类型集中包括员工信息存储集群的服务器数量、性能等级、性价比等级、可扩展性等级、可用性等级、负载均衡能力等级、错误恢复能力等级、透明性等级、可管理性等级以及可编程性等级。
15、设定统计周期；根据所述员工信息存储集群特征类型集采集多家企业存储员工信息集群的特征数据以及在统计周期内员工信息丢失的次数，得到企业集群特征数据矩阵以及企业员工信息丢失次数数据集，表示采集的第i家企业的员工信息丢失次数数据；如下，
16、；
17、其中，表示采集的第i家企业的第j种类型的员工信息存储集群的特征数据。
18、员工普通信息类型集包括个人基本信息、教育背景、工作经历、职务和职称、健康状况、紧急联系人、家庭成员信息以及培训记录等；员工敏感信息类型集中包括指纹、面部识别、虹膜扫描等用于识别个人身份的生物特征信息、宗教信仰信息、医疗健康信息、金融账户信息、行踪轨迹信息、基因信息、血型以及个人财产信息等；由于企业人力资源部门收集的员工信息中敏感信息类型的占比以及员工信息数据会对企业对于员工信息的存储方式的决策有较大的影响，如敏感信息与普通信息分开存储会对敏感信息的安全性有更好的保障，但会额外增加存储成本以及降低访问员工信息的效率；而敏感信息与普通信息集中存储则增加员工敏感信息的安全风险，但降低了存储成本以及提高了访问员工信息的效率；存储方式影响因素类型集中包括合规性、用户体验、成本、技术能力以及内部政策和文化等。
19、优选地，所述s2包括以下步骤：
20、s21、构建初始存储方式映射方程；如下，
21、；
22、其中，表示所述初始存储方式映射方程的因变量，表示员工信息存储方式数据；表示所述初始存储方式映射方程的第i个自变量，表示第i种企业员工数据，表示的自变量系数；表示所述初始存储方式映射方程的第i+3个自变量，表示第i种企业员工信息存储方式影响因素数据，表示的自变量系数；表示所述初始存储方式映射方程的偏置量，ceil表示取整函数。
23、s22、采用所述企业员工数据矩阵、企业存储方式数据集以及企业存储方式影响因素数据矩阵对初始存储方式映射方程进行优化，得到最终存储方式映射方程。
24、s23、构建初始员工信息丢失次数映射模型；采用所述企业集群特征数据矩阵以及企业员工信息丢失次数数据集对初始员工信息丢失次数映射模型进行训练以及测试；训练以及测试完成后，得到最终员工信息丢失次数映射模型；
25、通过采用企业员工数据矩阵、企业存储方式数据集以及企业存储方式影响因素数据矩阵对初始存储方式映射方程中自变量系数以及偏置量进行优化，使得得到的最终存储方式映射方程对于企业员工数据、企业存储方式影响因素数据到企业存储方式之间的映射更加准确；通过对初始员工信息丢失次数映射模型进行训练以及测试，使得得到的最终员工信息丢失次数映射模型对于企业集群特征数据到以及企业员工信息丢失次数数据之间的映射更加准确。
26、优选地，所述s22包括以下步骤：
27、s221、将所述企业员工数据矩阵以及企业存储方式影响因素数据矩阵中的每行数据分别输入到初始存储方式映射方程中进行映射，得到初始存储方式映射数据集，ci表示将所述企业员工数据矩阵以及企业存储方式影响因素数据矩阵中的第i行数据输入至初始存储方式映射方程中进行映射得到的存储方式映射数据。
28、s222、当所述初始存储方式映射数据集存在存储方式映射数据与企业存储方式数据集中对应的企业存储方式数据不相同时，对所述初始存储方式映射方程进行优化，直到所述初始存储方式映射数据集不存在存储方式映射数据与企业存储方式数据集中对应的企业存储方式数据不相同时为止，得到最终存储方式映射方程；否则，不需要对所述初始存储方式映射方程进行优化，将所述初始存储方式映射方程作为最终存储方式映射方程；
29、通过将初始存储方式映射数据与实际采集得到的企业存储方式数据进行对比，当其中有数据与实际数据不一致时，则表明初始存储方式映射方程的映射的准确率不满足要求，则需要对初始存储方式映射方程的自变量系数以及偏置量进行调整优化。
30、优选地，所述s3包括以下步骤：
31、s31、根据所述员工普通信息类型集以及员工敏感信息类型集并根据员工信息采集类型集以及存储方式影响因素类型集采集当前需要进行人力资源管理优化的企业的员工数据以及存储方式影响因素数据，得到当前员工数据集以及当前存储方式影响因素数据集；e11、e12、e13分别表示当前需要进行人力资源管理优化的企业的员工信息中普通信息类型的数量数据、员工信息中敏感信息类型的数量数据以及员工数量数据；e3i表示当前需要进行人力资源管理优化的企业的第i种类型的存储方式影响因素数据。
32、s32、根据所述员工信息存储集群特征类型集采集当前需要进行人力资源管理优化的企业的存储员工信息集群的特征数据，得到当前集群特征数据集，e4i表示前需要进行人力资源管理优化的企业的第i种类型的员工信息存储集群的特征数据。
33、s33、将所述当前员工数据集、当前存储方式数据以及当前存储方式影响因素数据集输入至最终存储方式映射方程进行映射，得到当前存储方式数据e2；
34、将所述当前集群特征数据集输入至最终员工信息丢失次数映射模型中进行映射，得到当前企业员工信息丢失次数数据e5；
35、通过对当前企业的员工数据、存储方式数据以及存储方式影响因素数据进行映射，从而可以获取对应的存储方式数据，该存储方式数据综合考虑了多方面的要求，包括员工数量、敏感信息占比以及存储成本等，从而可以将该存储方式数据作为后续当前企业对应员工信息进行存储的一种参考方式；通过对当前企业的员工信息存储集群的特征数据进行映射，获取对应的员工信息丢失次数，为后续判定是否需要对集群进行调整提供了判定依据。
36、优选地，所述s4包括以下步骤：
37、s41、根据所述当前存储方式数据e2对当前企业的员工信息进行存储。
38、s42、在所述统计周期内设定信息丢失次数阈值；当所述当前企业员工信息丢失次数数据e5大于或者等于信息丢失次数阈值时，对所述当前集群特征数据集进行调整，直到所述当前企业员工信息丢失次数数据e5小于信息丢失次数阈值时为止，得到当前最终集群特征数据集；否则，不需要对所述当前集群特征数据集进行调整，将所述当前集群特征数据集作为当前最终集群特征数据集；
39、通过设定信息丢失次数阈值，为判定当前企业员工信息丢失次数数据是否满足要求提供了量化的判定依据，使得判定更加客观和准确。
40、优选地，s42中对所述当前集群特征数据集进行调整，直到所述当前企业员工信息丢失次数数据e5小于信息丢失次数阈值时为止，得到当前最终集群特征数据集包括以下步骤：
41、s421、构建第二蜻蜓种群，表示所述第二蜻蜓种群中的第i只蜻蜓，表示所述第二蜻蜓种群的规模；设定所述第二蜻蜓种群的最大迭代次数为以及当前迭代次数为，分别记为第二最大迭代次数以及第二当前迭代次数；所述第二蜻蜓种群的搜索空间维度为。
42、s422、设定所述员工信息存储集群特征类型集中每种员工信息存储集群特征类型对应的数据的取值区间，得到集群特征取值区间集d3；如下，
43、；
44、其中，、分别表示所述员工信息存储集群特征类型集中第i种员工信息存储集群特征类型对应的数据的取值下限以及取值上限；
45、根据所述集群特征取值区间集设定第二蜻蜓种群中每只蜻蜓的初始位置，得到第二初始位置矩阵；如下，
46、；
47、其中，表示所述第二蜻蜓种群中第k只蜻蜓的初始位置在第i个维度上的分量；计算公式如下，
48、；
49、式中，rand2ki表示针对生成的0到1之间的随机数。
50、s423、根据所述当前企业员工信息丢失次数数据e5构建第二蜻蜓种群的适应度函数；如下，
51、
52、s424、开始进行迭代，迭代前将所述第二当前迭代次数设置为1；首轮迭代过程中采用所述第二蜻蜓种群的适应度函数并配合最终员工信息丢失次数映射模型计算第二初始位置矩阵中每只蜻蜓的初始位置的适应度值，得到第三适应度值集；将所述第三适应度值集中最大的适应度值以及对应的蜻蜓的初始位置分别作为第三全局最佳适应度以及第三全局最佳位置；根据所述第三全局最佳适应度以及第三全局最佳位置对第二初始位置矩阵中每只蜻蜓的初始位置进行更新；更新完成后，将所述第二当前迭代次数加1并进入下一轮迭代；
53、其他每轮迭代过程中采用所述第二蜻蜓种群的适应度函数并配合最终员工信息丢失次数映射模型计算上轮迭代过程中更新得到的第二蜻蜓种群中每只蜻蜓的位置的适应度值，得到第四适应度值集；将所述第四适应度值集中最大的适应度值以及对应的蜻蜓的位置分别作为四全局最佳适应度以及第四全局最佳位置；根据所述第四全局最佳适应度以及第四全局最佳位置对上轮迭代过程中更新得到的第二蜻蜓种群中每只蜻蜓的位置再次进行更新；更新完成后，将所述第二当前迭代次数加1并进入下一轮迭代。
54、s425、当时，停止迭代，得到第二最终全局最佳位置；否则，继续进行迭代，直到时为止；将所述第二最终全局最佳位置作为优化后的当前集群特征数据集；将所述优化后的当前集群特征数据集输入至最终员工信息丢失次数映射模型中进行映射，得到优化后的当前企业员工信息丢失次数数据；
55、当所述优化后的当前企业员工信息丢失次数数据小于信息丢失次数阈值时，将所述优化后的当前集群特征数据集作为当前最终集群特征数据集；否则，返回s424中继续进行迭代，直到所述优化后的当前企业员工信息丢失次数数据小于信息丢失次数阈值时为止；
56、通过采用蜻蜓优化算法对当前企业的员工信息存储集群的各个特征数据同时进行多次迭代优化，并以采用并最终员工信息丢失次数映射模型映射得到的员工信息丢失次数作为适应度函数；因此，随着迭代的进行，迭代得到的员工信息存储集群的各个特征数据对应的员工信息丢失次数越来越少，则表明当前迭代的方向是正确的，最终满足存储员工信息的要求。
57、一种基于数据挖掘的人力资源管理智能优化系统，包括员工信息类型设定模块、企业员工信息存储方式数据采集模块、企业员工信息存储方式数据采集模块、存储方式映射方程构建模块、员工信息丢失次数映射模型构建模块、当前企业员工存储数据采集模块、第一映射模块、第二映射模块、存储方式管理模块和集群特征优化模块。
58、本发明具有以下有益效果：
59、1.本发明通过从人力资源部门中对员工信息的存储方式的选择以及减少员工信息丢失的次数两个方面对企业中的人力资源中对员工信息的管理进行优化；其中，通过构建最终存储方式映射方程，获取当前企业的存储方式预测数据，进而采用该存储方式预测数据对当前企业对员工信息的存储方式进行改正调整；通过构建最终员工信息丢失次数映射模型，获取当前企业的员工信息丢失次数预测数据，进而为后续对当前企业的员工存储集群进行调整以保证员工信息的丢失次数达到最小，从而降低了企业员工信息丢失的风险，保证企业的信息安全和完整性；
60、2.本发明中通过对当前企业的员工信息存储集群的特征数据进行映射，获取对应的员工信息丢失次数，为后续判定是否需要对集群进行调整提供了判定依据；
61、3.本发明中通过采用蜻蜓优化算法对当前企业的员工信息存储集群的各个特征数据同时进行多次迭代优化，并以采用并最终员工信息丢失次数映射模型映射得到的员工信息丢失次数作为适应度函数；因此，随着迭代的进行，迭代得到的员工信息存储集群的各个特征数据对应的员工信息丢失次数越来越少，则表明当前迭代的方向是正确的，最终满足存储员工信息的要求。
62、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。