【技术实现步骤摘要】
本专利技术属于权限管理，具体涉及一种人力资源权限管理方法及系统。
技术介绍
1、人力资源权限管理是指在企业或组织中，对人力资源信息系统或人力资源管理系统中的用户权限进行设置和控制的过程。这是确保数据安全、员工隐私保护以及遵循相关法律法规的重要环节。
2、现有的人力资源权限管理技术，存在以下缺陷：
3、1）现有技术通常采用静态权限管理，即权限配置一旦设定就很少改变，这无法适应员工职责变化或组织结构调整的需要，导致权限可能与用户的实际需求不匹配，实用性低；
4、2）现有技术的权限调整通常需要管理员手动进行，人力成本投入大，这个过程既耗时又容易出错，特别是在大型组织中，导致人力资源权限管理的效率低；
5、3）现有技术的智能化程度低，缺乏用户行为的实时监测、异常分析以及权限自动调整的功能和技术，无法满足本
的技术需求。
技术实现思路
1、为了解决现有技术存在的实用性低、人力成本投入大、效率低以及智能化程度低的问题，本专利技术目的在于提供一种人力资源权限管理方法及系统。
2、本专利技术所采用的技术方案为：
3、一种人力资源权限管理方法，包括如下步骤：
4、在云数据中心中，构建行为模式基线模型、用户画像生成模型以及权限动态调整模型；
5、使用数据采集装置，采集用户的实时业务模式和实时行为数据，并将实时业务模式和实时行为数据上传至云数据中心；
6、在云数据中心中，提取实时行为数据的实
7、根据实时行为数据特征，使用用户画像生成模型，生成实时用户画像，根据实时用户画像，使用权限动态调整模型，生成实时人力资源权限数据。
8、进一步地，在云数据中心中，构建行为模式基线模型、用户画像生成模型以及权限动态调整模型，包括如下步骤：
9、在云数据中心中，采集用户在不同历史业务模式下的若干历史行为数据，并对若干历史行为数据进行预处理，得到若干预处理后历史行为数据；
10、根据不同历史业务模式下的若干预处理后历史行为数据，使用群智能优化的逻辑回归算法，构建行为模式基线模型，并生成若干历史行为数据特征；
11、根据若干历史行为数据特征，使用深度学习算法，构建用户画像生成模型，并生成若干历史用户画像；
12、根据若干历史用户画像，使用增强型强化学习算法，构建权限动态调整模型，并生成若干历史权限动态调整经验。
13、进一步地，行为模式基线模型基于rf-icpo-lr算法构建；
14、深度学习算法基于lstm-elman算法构建；
15、权限动态调整模型基于ml-dqn算法构建。
16、进一步地，根据不同历史业务模式下的若干预处理后历史行为数据，使用群智能优化的逻辑回归算法，构建行为模式基线模型，并生成若干历史行为数据特征，包括如下步骤：
17、根据每一历史业务模式下的预处理后历史行为数据，使用cnn网络，提取对应的历史行为数据特征；
18、使用rf算法，获取每一历史行为数据特征中若干特征分量的重要性评分，并根据重要性评分，选择若干历史关键特征分量；
19、根据若干历史关键特征分量，使用lr算法，构建每一历史业务模式下的初始的行为模式基线模型；
20、使用icpo算法，优化初始的行为模式基线模型的初始的历史模型参数，得到每一历史业务模式下的优化的行为模式基线模型；
21、根据若干预处理后历史行为数据，对优化的行为模式基线模型进行优化训练，得到最终的行为模式基线模型，并生成若干历史行为数据特征。
22、进一步地，根据若干历史行为数据特征，使用深度学习算法，构建用户画像生成模型，并生成若干历史用户画像，包括如下步骤：
23、对若干历史行为数据特征进行划分，得到预训练集、训练集以及测试集，并使用lstm-elman算法，构建初始的用户画像生成模型；
24、使用预训练集，对初始的用户画像生成模型中基于elman算法构建的分类器进行预训练，得到预训练的用户画像生成模型；
25、使用训练集，对预训练的用户画像生成模型进行优化训练，得到优化的用户画像生成模型；
26、使用测试集，对优化的用户画像生成模型进行模型测试，若模型测试结果满足要求，则输出最终的用户画像生成模型，否则，继续进行优化训练。
27、进一步地，根据若干历史用户画像，使用增强型强化学习算法，构建权限动态调整模型，并生成若干历史权限动态调整经验，包括如下步骤：
28、将权限动态调整问题作为dqn算法的模拟环境，将权限动态调整问题划分为若干子任务，并在历史用户画像中定义元特征参数；
29、根据元特征参数，提取历史用户画像的若干历史元特征，并根据若干历史元特征，在若干子任务下，使用ml算法进行训练，得到初始的元学习模块和若干历史元学习经验；
30、使用初始的元学习模块初始化dqn算法的深度q网络，并对初始的元学习模块进行更新，得到更新的元学习模块；
31、设置dqn算法的环境状态、动作空间以及奖励函数，并构建智能体和经验回放池，得到初始的权限动态调整模型；
32、根据若干历史用户画像，对初始的权限动态调整模型进行训练优化，得到最终的权限动态调整模型和若干历史权限动态调整经验；
33、将若干历史元学习经验和若干历史权限动态调整经验存储至最终的权限动态调整模型的经验回放池。
34、进一步地，在云数据中心中，提取实时行为数据的实时行为数据特征，并根据实时业务模式，使用行为模式基线模型，对实时行为数据特征进行异常行为分析，包括如下步骤：
35、在云数据中心中，使用cnn网络，提取实时行为数据的实时行为数据特征；
36、根据实时业务模式，提取实时行为数据特征的若干实时关键特征分量，并匹配对应的目标行为模式基线模型；
37、使用目标行为模式基线模型，对若干实时关键特征分量进行异常行为分析，得到实时异常行为分析结果；
38、若实时异常行为分析结果为存在异常行为，则断开数据采集装置的连接，并向对应的数据采集装置发送实时异常行为警报。
39、进一步地，根据实时行为数据特征，使用用户画像生成模型，生成实时用户画像，根据实时用户画像，使用权限动态调整模型，生成实时人力资源权限数据，包括如下步骤：
40、将实时行为数据特征输入用户画像生成模型，使用用户画像生成模型，生成实时用户画像；
41、根据实时用户画像，使用元学习模块，对权限动态调整模型进行调整，得到调整的权限动态调整模型；
42、根据实时用户画像，使用调整的权限动态调整模型，进行权限动态调整策略生成，得到实时人力资源权限数据。
43、进一步地本文档来自技高网...
【技术保护点】
1.一种人力资源权限管理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种人力资源权限管理方法，其特征在于：在云数据中心中，构建行为模式基线模型、用户画像生成模型以及权限动态调整模型，包括如下步骤：
3.根据权利要求2所述的一种人力资源权限管理方法，其特征在于：所述的行为模式基线模型基于RF-ICPO-LR算法构建；
4.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据不同历史业务模式下的若干预处理后历史行为数据，使用群智能优化的逻辑回归算法，构建行为模式基线模型，并生成若干历史行为数据特征，包括如下步骤：
5.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据若干历史行为数据特征，使用深度学习算法，构建用户画像生成模型，并生成若干历史用户画像，包括如下步骤：
6.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据若干历史用户画像，使用增强型强化学习算法，构建权限动态调整模型，并生成若干历史权限动态调整经验，包括如下步骤：
7.根据权利要求4所述的一种人力资源
8.根据权利要求6所述的一种人力资源权限管理方法，其特征在于：根据实时行为数据特征，使用用户画像生成模型，生成实时用户画像，根据实时用户画像，使用权限动态调整模型，生成实时人力资源权限数据，包括如下步骤：
9.根据权利要求8所述的一种人力资源权限管理方法，其特征在于：根据实时用户画像，使用元学习模块，对权限动态调整模型进行调整，得到调整的权限动态调整模型，包括如下步骤：
10.一种人力资源权限管理系统，用于实现如权利要求1-9任一所述的人力资源权限管理方法，其特征在于：所述的系统包括云数据中心和若干数据采集装置，若干所述的数据采集装置分别与云数据中心通信连接，所述的云数据中心包括依次连接的模型构建单元、异常行为分析单元以及画像生成与权限调整单元。
...【技术特征摘要】
1.一种人力资源权限管理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种人力资源权限管理方法，其特征在于：在云数据中心中，构建行为模式基线模型、用户画像生成模型以及权限动态调整模型，包括如下步骤：
3.根据权利要求2所述的一种人力资源权限管理方法，其特征在于：所述的行为模式基线模型基于rf-icpo-lr算法构建；
4.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据不同历史业务模式下的若干预处理后历史行为数据，使用群智能优化的逻辑回归算法，构建行为模式基线模型，并生成若干历史行为数据特征，包括如下步骤：
5.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据若干历史行为数据特征，使用深度学习算法，构建用户画像生成模型，并生成若干历史用户画像，包括如下步骤：
6.根据权利要求3所述的一种人力资源权限管理方法，其特征在于：根据若干历史用户画像，使用增强型强化学习算法，构建权限动态调整模型，并生成若干历史权限动态调整经验...
【专利技术属性】
技术研发人员：许云，卢伟峰，孙丹丹，
申请(专利权)人：河南省精神病医院新乡医学院第二附属医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。