基于行為特征網(wǎng)的業(yè)務(wù)流程模型分解挖掘方法.pdf

1、過(guò)程挖掘是在日志的基礎(chǔ)上去還原業(yè)務(wù)流程模型的技術(shù)。由于市場(chǎng)多樣化的需求，系統(tǒng)運(yùn)行下的模型間通過(guò)多種行為交互連接已經(jīng)成為一種新的趨勢(shì)，而行為的交互使得事件日志日益冗長(zhǎng)，從而增加了過(guò)程挖掘的難度。因此，對(duì)業(yè)務(wù)模型進(jìn)行模塊化的分解的挖掘分析具有十分重要的理論意義還有實(shí)際意義。
　　隨著大數(shù)據(jù)時(shí)代的到來(lái)，各類(lèi)系統(tǒng)運(yùn)行產(chǎn)生的日志數(shù)據(jù)量日益龐大，基于事件日志的過(guò)程挖掘算法逐漸開(kāi)始面臨挑戰(zhàn)，比如日志信息量的爆炸式增長(zhǎng)使得過(guò)程挖掘的計(jì)算復(fù)雜度大幅

2、度升高以及模型的運(yùn)行效率線性降低等?，F(xiàn)有的過(guò)程挖掘算法多是基于特征、活動(dòng)數(shù)量較少，且模型要求簡(jiǎn)單的事件日志，而對(duì)于大數(shù)據(jù)背景下的日志類(lèi)型，本文提出了基于特征網(wǎng)的交互流程模型挖掘方法，首先，分析了日志中活動(dòng)對(duì)應(yīng)下的各個(gè)特征間的內(nèi)部特征序關(guān)系，由此優(yōu)先挖掘初始模塊網(wǎng);其次，根據(jù)接口變遷以及特征網(wǎng)的定義，遍歷日志挖掘接口變遷并對(duì)其增添接口庫(kù)所;然后，運(yùn)用合成網(wǎng)的觀點(diǎn)，通過(guò)接口庫(kù)所將交互模塊融合成為一個(gè)完善的過(guò)程模型。該挖掘方法不僅可以處理包含

3、特征數(shù)量較多的日志，還可以有效挖掘交互并不頻繁的流程模型。本文的主要貢獻(xiàn)還包括:
　　(1)針對(duì)業(yè)務(wù)流程模型挖掘過(guò)程中基于單純事件日志分解模型的情況下，提出基于Petri網(wǎng)接口變遷的模塊網(wǎng)挖掘方法。該方法打破了已有分解挖掘算法必須優(yōu)先挖掘整網(wǎng)的局限性，通過(guò)分析局部有效事件日志中各個(gè)活動(dòng)間的前驅(qū)后繼關(guān)系，并基于前驅(qū)后繼關(guān)系相對(duì)頻繁的活動(dòng)挖掘接口變遷，之后考慮接口變遷的所有前集變遷輸出模塊網(wǎng)的初始變遷，再將該初始變遷作為輸入，對(duì)其逐步

4、添加活動(dòng)挖掘有效模塊網(wǎng)。
　　(2)針對(duì)包含不同活動(dòng)數(shù)目較多的事件日志，提出了基于行為特征網(wǎng)分解挖掘流程模型的方法。在Petri網(wǎng)行為輪廓的基礎(chǔ)上結(jié)合行為足跡的概念，通過(guò)分析不同活動(dòng)間的行為關(guān)系挖掘行為矩陣，并計(jì)算行為關(guān)系圖以此劃分活動(dòng)聚類(lèi)。同時(shí)，過(guò)濾子日志挖掘子網(wǎng)，并基于子網(wǎng)有效挖掘行為特征網(wǎng)，最后融合子網(wǎng)行為特征網(wǎng)形成整網(wǎng)。該方法不僅有效地降低了過(guò)程挖掘的計(jì)算復(fù)雜度，而且提高了分解挖掘算法的嚴(yán)謹(jǐn)性，使得挖掘算法更好的適用于更多

5、領(lǐng)域。
　　(3)針對(duì)包含時(shí)間/次數(shù)信息或者添加指定任務(wù)等模型要求的模型，已有的模型優(yōu)化方法大多基于配置變遷的觀點(diǎn)，通過(guò)挖掘隱藏變遷以及阻止變遷對(duì)該模型進(jìn)行優(yōu)化處理，但是簡(jiǎn)單地挖掘配置變遷并不能有效解決模型要求。對(duì)于這一問(wèn)題，本文給出了基于片段適配優(yōu)化模型的一個(gè)方法。首先，基于配置優(yōu)化下的配置流程模型分析系統(tǒng)運(yùn)行下反饋的各個(gè)模型要求，并根據(jù)模型要求查找需要進(jìn)行適配處理的流程片段。其次，用適配片段替換配置流程模型中與適配片段重疊的隱