基于行為特征網的業(yè)務流程模型分解挖掘方法.pdf

1、過程挖掘是在日志的基礎上去還原業(yè)務流程模型的技術。由于市場多樣化的需求，系統(tǒng)運行下的模型間通過多種行為交互連接已經成為一種新的趨勢，而行為的交互使得事件日志日益冗長，從而增加了過程挖掘的難度。因此，對業(yè)務模型進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際意義。
　　隨著大數據時代的到來，各類系統(tǒng)運行產生的日志數據量日益龐大，基于事件日志的過程挖掘算法逐漸開始面臨挑戰(zhàn)，比如日志信息量的爆炸式增長使得過程挖掘的計算復雜度大幅

2、度升高以及模型的運行效率線性降低等。現有的過程挖掘算法多是基于特征、活動數量較少，且模型要求簡單的事件日志，而對于大數據背景下的日志類型，本文提出了基于特征網的交互流程模型挖掘方法，首先，分析了日志中活動對應下的各個特征間的內部特征序關系，由此優(yōu)先挖掘初始模塊網;其次，根據接口變遷以及特征網的定義，遍歷日志挖掘接口變遷并對其增添接口庫所;然后，運用合成網的觀點，通過接口庫所將交互模塊融合成為一個完善的過程模型。該挖掘方法不僅可以處理包含

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

4、添加活動挖掘有效模塊網。
　　(2)針對包含不同活動數目較多的事件日志，提出了基于行為特征網分解挖掘流程模型的方法。在Petri網行為輪廓的基礎上結合行為足跡的概念，通過分析不同活動間的行為關系挖掘行為矩陣，并計算行為關系圖以此劃分活動聚類。同時，過濾子日志挖掘子網，并基于子網有效挖掘行為特征網，最后融合子網行為特征網形成整網。該方法不僅有效地降低了過程挖掘的計算復雜度，而且提高了分解挖掘算法的嚴謹性，使得挖掘算法更好的適用于更多

5、領域。
　　(3)針對包含時間/次數信息或者添加指定任務等模型要求的模型，已有的模型優(yōu)化方法大多基于配置變遷的觀點，通過挖掘隱藏變遷以及阻止變遷對該模型進行優(yōu)化處理，但是簡單地挖掘配置變遷并不能有效解決模型要求。對于這一問題，本文給出了基于片段適配優(yōu)化模型的一個方法。首先，基于配置優(yōu)化下的配置流程模型分析系統(tǒng)運行下反饋的各個模型要求，并根據模型要求查找需要進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