本发明涉及企业管理机器学习，具体是指一种基于机器学习的企业人性化管理优化方法及系统。
背景技术：
1、基于机器学习的企业人性化管理优化方法是指利用机器学习技术对员工的个性化数据进行分析和挖掘，以更好地了解员工的需求、偏好和行为模式，并据此制定针对性的管理策略和决策。该系统通过构建预测模型来预测员工流失风险，提前发现潜在问题并采取相应措施，从而减少员工流失率；同时，通过个性化的培训方案和智能化的招聘流程，使员工能够得到更加贴近个人发展需求的培训和工作机会，提高员工满意度和工作绩效。这种方法和系统的应用，有助于企业实现人力资源的有效配置，提升企业整体竞争力。
2、但是，在已有的企业人性化管理优化方法中，存在着传统的企业个性化管理的数据维度较浅，主要聚焦于员工的离职与否的二分类，或是员工基本满意情况的简单分类，缺少了对于员工个性化管理所需的深度分析的技术问题；在已有的员工满意度预测方法中，存在着传统方法时常基于固定的问卷或预设的数据集进行满意度预测，这种方法难免收到员工应对调查的主观性的影响，不能反映员工满意度预测所需的更深层次的联系，从而降低了预测准确率的技术问题；在已有的员工流失风险预测中，存在着员工流失的因素和特征复杂多样，传统方法聚焦于单一的客观因素无法充分反应员工流失风险的预测需要，而复杂的数据集需要适配相应的特征处理方法的技术问题；在已有的员工个性化发展预测中，存在着员工个性化发展预测在传统方法中一般不考虑复杂的员工主客观需求印象，同样聚焦于客观因素去进行预测，从而失去了员工综合满意度和流失风险的数据参考，降低了整体预测的可靠性、可用性和可扩展性的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的企业人性化管理优化方法及系统，针对在已有的企业人性化管理优化方法中，存在着传统的企业个性化管理的数据维度较浅，主要聚焦于员工的离职与否的二分类，或是员工基本满意情况的简单分类，缺少了对于员工个性化管理所需的深度分析的技术问题，本方案创造性地采用结合员工满意度预测、流失风险预测和个性化发展建议预测的三项预测，提高了企业个性化管理的数据维度和结果范畴，整体上优化了企业个性化管理的可用性和泛用性；针对在已有的员工满意度预测方法中，存在着传统方法时常基于固定的问卷或预设的数据集进行满意度预测，这种方法难免收到员工应对调查的主观性的影响，不能反映员工满意度预测所需的更深层次的联系，从而降低了预测准确率的技术问题，本方案创造性地采用结合维度图生成和三项需求维度数据并行的图卷积门控循环单元网络进行员工满意度预测，通过生成需求维度图并采用图卷积提取空间特征，结合收支数据特征进行员工满意度预测，并输出可视化结果和数值预测结果，提高了员工满意度预测的准确性和可解释性，并为后续预测任务提供了较好的数据样本和支持；针对在已有的员工流失风险预测中，存在着员工流失的因素和特征复杂多样，传统方法聚焦于单一的客观因素无法充分反应员工流失风险的预测需要，而复杂的数据集需要适配相应的特征处理方法的技术问题，本方案创造性地采用结合双向编码器的双向长短期记忆神经网络进行员工流失风险预测，并通过结合员工满意度预测的结果，提高了员工流失风险预测的整体自动性和准确性；针对在已有的员工个性化发展预测中，存在着员工个性化发展预测在传统方法中一般不考虑复杂的员工主客观需求印象，同样聚焦于客观因素去进行预测，从而失去了员工综合满意度和流失风险的数据参考，降低了整体预测的可靠性、可用性和可扩展性的技术问题，本方案创造性地采用双向编码器的图卷积门控循环单元网络进行员工个性化发展预测，并结合前两项预测任务的结果，提高了企业人性化管理优化的整体自动性，也提高了员工个性化发展预测的可靠性、可用性和可扩展性。
2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的企业人性化管理优化方法，该方法包括以下步骤：
3、步骤s1：数据分类收集；
4、步骤s2：员工满意度预测；
5、步骤s3：员工流失风险预测；
6、步骤s4：员工个性化发展预测；
7、步骤s5：企业人性化管理优化。
8、进一步地，在步骤s1中，所述数据分类收集，用于分别收集人性化管理的三项任务所需的原始数据，具体为从企业信息系统和企业员工调研中，通过分类收集，得到企业个性化管理原始数据；
9、所述企业个性化管理原始数据，具体包括员工主观意愿调查数据、员工客观情况基本数据和员工调研文本原文数据；
10、所述员工主观意愿调查数据，具体包括生存需求数据、关系需求数据和成长需求数据。
11、进一步地，在步骤s2中，所述员工满意度预测，用于进行员工工作满意度预测，具体为依据所述员工主观意愿调查数据，采用结合维度图生成和三项需求维度数据并行的图卷积门控循环单元网络进行员工满意度预测，得到员工满意度预测参考数据，具体包括以下步骤：
12、步骤s21：构建输入层，用于接收数据输入并进行基本预处理，具体为将所述员工主观意愿调查数据作为模型输入数据样本，构建所述输入层，并对所述模型输入数据样本进行基本数据预处理，包括数据过滤、异常值处理和归一化处理；
13、步骤s22：构建卷积门控循环层，用于构建实施特征提取和预测的基本模型结构，具体为构建包括重置门、更新门和候选隐藏状态的卷积门控循环层，并通过构建所述卷积门控循环层，用于特征提取和预测分类，得到数值数据特征，具体包括以下步骤：
14、步骤s221：构建卷积门控重置门，计算公式为：
15、；
16、式中，rt是t时刻的卷积门控重置门输出，sig(·)是s型函数，wxr是结合卷积核的重置门输入权重，xt是t时刻的输入数据样本，t是时刻索引，whr是结合卷积核的重置门隐藏状态权重，ht-1是前一时刻t-1的隐藏状态，br是重置门偏置项，*是卷积运算符；
17、步骤s222：构建卷积门控更新门，计算公式为：
18、；
19、式中，zt是t时刻的卷积门控更新门输出，sig(·)是s型函数，wxz是结合卷积核的更新门输入权重，xt是t时刻的输入数据样本，t是时刻索引，whz是结合卷积核的更新门隐藏状态权重，ht-1是前一时刻t-1的隐藏状态，bz是更新门偏置项，*是卷积运算符；
20、步骤s223：计算候选隐藏状态，计算公式为：
21、；
22、式中，是t时刻的候选隐藏状态，sig(·)是s型函数，wxh是结合卷积核的候选隐藏状态输入权重，xt是t时刻的输入数据样本，t是时刻索引，whh是结合卷积核的候选隐藏状态权重，ht-1是前一时刻t-1的隐藏状态，bh是候选隐藏状态偏置项，是逐元素乘积运算符，*是卷积运算符；
23、步骤s224：计算最终隐藏状态，计算公式为：
24、；
25、式中，ht是t时刻的隐藏状态，zt是t时刻的卷积门控更新门输出，是逐元素乘积运算符，ht-1是前一时刻t-1的隐藏状态，是t时刻的候选隐藏状态；
26、步骤s23：需求维度图生成，用于生产需求维度图辅助特征提取和分类预测，具体为依据所述工主观意愿调查数据中生存需求数据、关系需求数据和成长需求数据的具体取值，自动生成需求三维图数据，并采用所述需求三维图进行图结构的空间特征提取和特征聚合，所述需求三维图数据，用于辅助数值数据进行满意度预测；
27、步骤s24：维度图特征提取，用于对维度图数据进行特征提取，具体为对所述需求三维图数据，使用图卷积网络进行空间特征提取，得到空间特征数据；
28、步骤s25：特征聚合，用于聚合维度图的空间特征数据和数值数据特征，具体为结合数值数据特征和空间特征数据，进行特征家全球和，得到综合空间特征；
29、步骤s26：构建预测分类层，用于进行最终的员工满意度预测，具体为构建全连接层，并采用softmax分类器函数进行员工满意度综合分类，得到员工满意度预测输出；
30、步骤s27：员工满意度预测，具体为通过所述构建卷积门控循环层、所述特征聚合和所述构建预测分类层，进行员工满意度预测模型训练，得到员工满意度预测模型modelsp，并采用所述员工满意度预测模型modelsp，依据所述员工满意度预测参考数据进行员工满意度预测，得到员工满意度预测参考数据；
31、所述员工满意度预测参考数据，具体包括需求维度加权预测可视数据和需求维度分项数值预测数据。
32、进一步地，在步骤s3中，所述员工流失风险预测，用于结合员工满意度预测结果进行员工流失风险预测，具体为依据所述员工满意度预测参考数据、所述员工主观意愿调查数据和所述员工调研文本原文数据，采用结合双向编码器的双向长短期记忆神经网络进行员工流失风险预测，得到员工流失风险预测数据，具体包括以下步骤：
33、步骤s31：数据基本处理，具体为对所述员工满意度预测参考数据中的需求维度分项数值预测数据和所述员工主观意愿调查数据进行数据清洗和数据分割操作，得到基本优化数据，并依据时间序列对所述基本优化数据进行序列化，得到员工流失风险序列原始数据；
34、步骤s32：构建双向编码器子网，用于文本数据处理，具体为对所述员工调研文本原文数据进行文本特征嵌入，得到向量化员工调研文本特征；
35、步骤s33：构建双向长短期子网，用于处理时序数据并提取特征，具体为构建双向长短期记忆网络，对所述员工流失风险序列原始数据进行特征提取，得到员工流失风险时序特征数据；
36、步骤s34：异类特征合并，用于合并时序特征和文本特征，具体为对所述向量化员工调研文本特征和所述员工流失风险时序特征数据进行异类特征合并，得到合并特征数据，并构建分类器函数，进行员工流失风险预测，得到员工流失分析预测输出；
37、步骤s35：员工流失风险预测模型优化训练，具体为通过所述数据基本处理、所述构建双向编码器子网、所述构建双向长短期子网和所述异类特征合并，进行员工流失风险预测模型基本训练，并通过模型参数优化，得到员工流失风险预测优化模型modelip；
38、步骤s36：员工流失风险预测，具体为使用所述员工流失风险预测优化模型modelip，依据所述员工满意度预测参考数据、所述员工主观意愿调查数据和所述员工调研文本原文数据，进行员工流失风险预测，得到员工流失风险预测数据；
39、所述员工流失风险预测数据，具体指员工对应的具体流失风险概率预测值。
40、进一步地，在步骤s4中，所述员工个性化发展预测，用于结合员工工作满意度预测进行员工个性化工作发展情况预测，具体为依据所述员工流失风险预测数据、所述员工满意度预测参考数据、所述员工客观情况基本数据和所述员工调研文本原文数据，采用双向编码器的图卷积门控循环单元网络进行员工个性化发展预测，得到员工个性化发展预测数据，具体包括以下步骤：
41、步骤s41：构建异构数据输入层，具体为将所述员工流失风险预测数据和员工客观情况基本数据作为数值型数据输入，将所述员工满意度预测参考数据中的需求维度加权预测可视数据作为图结构数据输入，将所述员工客观情况基本数据和所述员工调研文本原文数据作为文本结构数据输入，构建异构数据输入样本；
42、步骤s42：构建双向编码器子网，用于文本结构数据处理，具体为对所述文本结构数据输入进行文本特征嵌入，得到向量化发展建议文本结构特征；
43、步骤s43：构建图卷积门控循环单元子网，用于图结构数据和数值型数据处理，具体为构建卷积门控循环单元子网，对所述图结构数据输入和所述数值型数据输入进行空间特征提取和特征聚合，得到综合发展建议数据特征；
44、步骤s44：构建员工个性化发展分类器，具体为使用softmax分类器函数进行员工个性化发展分类，得到个性化发展建议分类结果；
45、步骤s45：员工个性化发展预测模型训练，具体为通过所述构建异构数据输入层、所述构建双向编码器子网、所述构建卷积门控循环单元子网和所述构建员工个性化发展分类器，进行模型训练，得到员工个性化发展建议预测模型modelps；
46、步骤s46：员工个性化发展预测，具体为使用所述员工个性化发展建议预测模型modelps，进行员工个性化发展预测，得到员工个性化发展预测数据。
47、进一步地，在步骤s5中，所述企业人性化管理优化，用于结合员工的三项预测指标进行个性化管理方案推荐，具体为结合所述员工个性化发展预测数据、所述员工流失风险预测数据和所述员工满意度预测参考数据，进行企业个性化管理优化，得到企业员工个性化管理参考方案。
48、本发明提供的一种基于机器学习的企业人性化管理优化系统，包括数据分类收集模块、员工满意度预测模块、员工流失风险预测模块、员工个性化发展预测模块和企业人性化管理优化模块；
49、所述数据分类收集模块，用于数据分类收集，通过数据分类收集，得到企业个性化管理原始数据，并将所述企业个性化管理原始数据发送至员工满意度预测模块、员工流失风险预测模块和员工个性化发展预测模块；
50、所述员工满意度预测模块，用于员工满意度预测，通过员工满意度预测，得到员工满意度预测参考数据，并将所述员工满意度预测参考数据发送至员工流失风险预测模块、员工个性化发展预测模块和企业人性化管理优化模块；
51、所述员工流失风险预测模块，用于员工流失风险预测，通过员工流失风险预测，得到员工流失风险预测数据，并将所述员工流失风险预测数据发送至员工个性化发展预测模块和企业人性化管理优化模块；
52、所述员工个性化发展预测模块，用于员工个性化发展预测，通过员工个性化发展预测，得到员工个性化发展预测数据，并将所述员工个性化发展预测数据发送至企业人性化管理优化模块；
53、所述企业人性化管理优化模块，用于企业人性化管理优化，通过企业人性化管理优化，得到企业员工个性化管理参考方案。
54、采用上述方案本发明取得的有益效果如下：
55、（1）针对在已有的企业人性化管理优化方法中，存在着传统的企业个性化管理的数据维度较浅，主要聚焦于员工的离职与否的二分类，或是员工基本满意情况的简单分类，缺少了对于员工个性化管理所需的深度分析的技术问题，本方案创造性地采用结合员工满意度预测、流失风险预测和个性化发展建议预测的三项预测，提高了企业个性化管理的数据维度和结果范畴，整体上优化了企业个性化管理的可用性和泛用性；
56、（2）针对在已有的员工满意度预测方法中，存在着传统方法时常基于固定的问卷或预设的数据集进行满意度预测，这种方法难免收到员工应对调查的主观性的影响，不能反映员工满意度预测所需的更深层次的联系，从而降低了预测准确率的技术问题，本方案创造性地采用结合维度图生成和三项需求维度数据并行的图卷积门控循环单元网络进行员工满意度预测，通过生成需求维度图并采用图卷积提取空间特征，结合收支数据特征进行员工满意度预测，并输出可视化结果和数值预测结果，提高了员工满意度预测的准确性和可解释性，并为后续预测任务提供了较好的数据样本和支持；
57、（3）针对在已有的员工流失风险预测中，存在着员工流失的因素和特征复杂多样，传统方法聚焦于单一的客观因素无法充分反应员工流失风险的预测需要，而复杂的数据集需要适配相应的特征处理方法的技术问题，本方案创造性地采用结合双向编码器的双向长短期记忆神经网络进行员工流失风险预测，并通过结合员工满意度预测的结果，提高了员工流失风险预测的整体自动性和准确性；
58、（4）针对在已有的员工个性化发展预测中，存在着员工个性化发展预测在传统方法中一般不考虑复杂的员工主客观需求印象，同样聚焦于客观因素去进行预测，从而失去了员工综合满意度和流失风险的数据参考，降低了整体预测的可靠性、可用性和可扩展性的技术问题，本方案创造性地采用双向编码器的图卷积门控循环单元网络进行员工个性化发展预测，并结合前两项预测任务的结果，提高了企业人性化管理优化的整体自动性，也提高了员工个性化发展预测的可靠性、可用性和可扩展性。
1.一种基于机器学习的企业人性化管理优化方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s2中，所述员工满意度预测，具体包括以下步骤：
3.根据权利要求2所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s21中，所述构建输入层，用于接收数据输入并进行基本预处理，具体为将所述员工主观意愿调查数据作为模型输入数据样本，构建所述输入层，并对所述模型输入数据样本进行基本数据预处理，包括数据过滤、异常值处理和归一化处理；
4.根据权利要求3所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s3中，所述员工流失风险预测，具体包括以下步骤：
5.根据权利要求4所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s31中，所述数据基本处理，具体为对所述员工满意度预测参考数据中的需求维度分项数值预测数据和所述员工主观意愿调查数据进行数据清洗和数据分割操作，得到基本优化数据，并依据时间序列对所述基本优化数据进行序列化，得到员工流失风险序列原始数据；
6.根据权利要求5所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s4中，所述员工个性化发展预测，具体包括以下步骤：
7.根据权利要求6所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：在步骤s5中，所述企业人性化管理优化，用于结合员工的三项预测指标进行个性化管理方案推荐，具体为结合所述员工个性化发展预测数据、所述员工流失风险预测数据和所述员工满意度预测参考数据，进行企业个性化管理优化，得到企业员工个性化管理参考方案。
8.一种基于机器学习的企业人性化管理优化系统，用于实现如权利要求1-7中任一项所述的一种基于机器学习的企业人性化管理优化方法，其特征在于：包括数据分类收集模块、员工满意度预测模块、员工流失风险预测模块、员工个性化发展预测模块和企业人性化管理优化模块。
9.根据权利要求8所述的一种基于机器学习的企业人性化管理优化系统，其特征在于：所述数据分类收集模块，用于数据分类收集，通过数据分类收集，得到企业个性化管理原始数据，并将所述企业个性化管理原始数据发送至员工满意度预测模块、员工流失风险预测模块和员工个性化发展预测模块；
