feat: update clustering implementation and docs

docs/05_毕业论文摘要与关键词草案.md

@@ -2,23 +2,22 @@
 
 ## 中文摘要草案
 
-随着企业管理数字化水平的提升，员工缺勤行为分析逐渐成为人力资源管理中的重要研究内容。针对传统缺勤管理方式依赖人工统计、分析效率较低、风险预警能力不足等问题，本文设计并实现了一套基于中国企业员工缺勤事件分析与预测系统。系统围绕缺勤事件数据，构建了数据概览、影响因素分析、缺勤风险预测和员工群体画像四个核心模块，实现了缺勤时长统计分析、关键因素挖掘、多模型预测与聚类画像展示等功能。
+随着企业管理数字化水平的提升，员工缺勤行为分析逐渐成为人力资源管理中的重要研究内容。针对传统缺勤管理方式依赖人工统计、分析效率较低、风险预警能力不足、缺乏理论解释支撑等问题，本文设计并实现了一套基于中国企业员工缺勤事件的分析与预测系统。系统围绕缺勤事件数据，构建了数据概览、影响因素分析、`JD-R` 理论分析、缺勤风险预测和员工群体画像五类核心功能，实现了缺勤时长统计分析、关键因素挖掘、理论驱动解释、多模型预测与聚类画像展示。
 
-在系统实现过程中，后端采用 Flask 框架构建接口服务，结合 Pandas、Scikit-learn 与 PyTorch 完成数据处理、特征工程、模型训练与预测；前端采用 Vue 3、Element Plus 与 ECharts 实现交互式可视化界面。针对毕业设计场景，系统构建了一套符合中国企业特征的员工缺勤事件数据集，并设计了请假类型、医院证明、加班通勤压力、健康风险等关键影响因素。同时，为增强论文的算法研究内容，系统引入了 LSTM+MLP 深度学习模型，将员工历史缺勤事件序列与静态属性特征进行融合建模。实验结果表明，系统能够较好地完成缺勤时长预测任务，并通过可视化方式直观展现缺勤趋势、影响因素和员工群体特征。
+在系统实现过程中，后端采用 Flask 框架构建接口服务，结合 Pandas、Scikit-learn 与 PyTorch 完成数据处理、特征工程、模型训练、理论指标计算与可解释分析；前端采用 Vue 3、Element Plus 与 ECharts 实现交互式可视化界面。针对毕业设计场景，系统构建了一套符合中国企业特征的员工缺勤事件模拟数据集，并在数据层补充工作要求、工作资源、个人资源、工作倦怠和工作投入等 `JD-R` 理论变量，用于解释员工缺勤的心理学驱动机制。同时，系统引入树模型、聚类模型与时序注意力融合深度学习模型，对单次缺勤时长进行预测，并结合 `SHAP` 全局与局部解释技术，提高模型结果的可解释性。
 
-本文的研究工作对企业缺勤行为分析与管理辅助决策具有一定参考价值，同时也为后续扩展员工行为分析、离职预警和绩效管理等方向提供了基础。
+研究结果表明，系统能够较好地完成缺勤时长预测任务，并通过 `JD-R` 双路径分析和 `SHAP` 特征解释揭示缺勤行为背后的工作负荷、资源支持与个体心理资源作用机制。本文的研究工作为企业缺勤行为分析、风险预警和管理干预提供了可视化、可解释、可扩展的技术方案，也为后续开展员工离职预警、职业健康管理和组织行为分析提供了基础。
 
 ## 关键词
 
 - 员工缺勤分析
+- `JD-R` 模型
 - 风险预测
-- 特征挖掘
+- `SHAP` 可解释分析
 - 机器学习
-- 深度学习
+- 时序融合模型
 - 可视化系统
-- Vue
-- Flask
 
 ## 英文摘要标题参考
 
-Employee Absence Analysis and Prediction System Based on Multi-dimensional Feature Mining
+Employee Absence Analysis and Prediction System with JD-R Theory and Explainable Modeling