基于机器学习的业务流程日志提升框架

### 基于机器学习的业务流程日志提升框架 在当今信息技术飞速发展的时代，企业和组织越来越依赖信息技术服务来支持其业务流程。有效的业务流程管理对于组织的产出和成功至关重要。然而，现有的大多数流程挖掘技术在处理实际的事件日志和业务流程模型活动之间的映射时，存在一定的局限性。本文将介绍一种基于机器学习的框架，旨在解决事件日志和流程模型之间抽象级别差距的问题。 #### 现有流程挖掘技术的局限性 现有的许多流程挖掘方法假设日志中的事件与流程模型活动之间存在一对一的映射关系。但在现实场景中，事件日志和流程模型活动的粒度不同。事件日志中的事件通常比流程模型中的活动更细粒度，存在 n : m 的关系。例如，一个高级活动可能由多个低级事件组成，而一个低级事件可能与多个高级活动相关。 常见的通过一对一映射从事件获取活动序列的方法效果不佳，生成的模型缺乏意义，难以挖掘和解释。现有的一些技术专注于将相似事件分组形成更高级别的活动，但这些技术存在一些问题，如假设发现的事件簇对应有意义的业务活动，但可能无法有效检测业务流程模型的违规和偏差。因此，需要一种能够将低级事件流映射到预定义业务模型活动的方法，并且手动工作应尽量减少。 #### 提出的框架概述 为了解决上述问题，我们设计并实现了一个机器学习框架，该框架主要分为两个阶段：日志分割和基于机器学习的分类。 ##### 日志分割 日志分割的目的是在低级事件流中识别潜在的段分隔符，每个段对应一个未知的高级活动。这个过程类似于将没有空格的长文本分割成单词。但这种分割对潜在段分隔符的假设非常敏感，因为存在共同前缀的问题，即一个活动可能是另一个活动的前缀，这会导致分割的歧义。 为了解决这个问题，我们提出了一种基于最大似然技术的优化方法。该方法需要数据所有者提供一个相对较小的标注示例集，称为“分割列表”。通过对分割列表进行标准的 n - 元分析，我们可以创建一个前缀 - 后缀表，计算每个候选解码的可能性，从而找到最优或满意的解码。 以下是日志分割的具体步骤： 1. **构建双字母矩阵**：创建一个唯一的事件向量，构建一个事件 - 索引值的字典，然后通过遍历分割列表来构建双字母矩阵，矩阵中的每个单元格表示相应事件双字母的出现频率。 2. **计算双字母的可能性**：将每个双字母的频率除以其所在行的总和，为了考虑未观察到的组合，可以向所有矩阵值添加一个小值。 3. **计算事件流的可能性**：使用类似于马尔可夫链蒙特卡罗算法的公式计算给定事件流的可能性。 4. **插入分隔符**：在事件流中随机插入分隔符，重新计算总可能性，如果分割可能性有所提高，则插入分隔符并更新事件流，否则跳过并移动窗口，重复上述步骤直到到达事件流的末尾。 5. **收敛**：继续扫描事件流并随机更新分隔符的位置，直到分割可能性收敛。 以下是一个简单的运行示例： 假设我们有以下分割列表：{{A}, {AB}, {BC}, {CG}, {DE}, {F}, {DBCA}}，要分割的事件流为 {D E F D B C A C G}。 首先，构建双字母矩阵： | | A | B | C | G | D | E | F | | --- | --- | --- | --- | --- | --- | --- | --- | | | 0 | 2 | 1 | 1 | 0 | 2 | 0 | 1 | | A | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | | B | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | | C | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | | G | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | D | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | | E | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | F | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 然后，计算双字母的可能性得到新的矩阵： |