基于深度学习的业务过程任务执行时知识推荐方法技术

本发明专利技术提出了一种基于深度学习的业务过程任务执行时知识推荐方法，包括以下步骤：根据业务流程事件日志，获取业务活动、制造资源的集合；获取业务流程踪迹数据集；获取样本数据集：对数据集中的每一条流程踪迹进行处理，获得多个前置序列及其对应的标签，作为模型训练的样本；获取前置序列对应的任务序列、资源序列、时间序列数据构成训练数据样本，并划分训练集和验证集数据；搭建深度学习网络模型；将样本放入深度学习网络进行训练，得到知识推荐模型；将验证数据集放入模型进行预测，将得到的预测结果进行知识推荐。本发明专利技术传统的机器学习方法，具有更高的准确性，同时模型的泛化性能更高。性能更高。性能更高。

【技术实现步骤摘要】
基于深度学习的业务过程任务执行时知识推荐方法


[0001]本专利技术属于业务过程挖掘领域，特别是一种基于深度学习的制造任务知识推荐方法。

技术介绍

[0002]目前，随着企业的发展，其业务种类和业务数量快速增加，相关的业务流程规模也在不断的壮大，为了规避业务风险，深入了解并管理业务流程成为了目前众多企业面临的难题。同时，在企业业务过程执行的过程中，会产生大量的事件日志或者流程日志，这为我们进行数据分析和挖掘提供了必要的基础。
[0003]不可否认，业务过程任务执行时的知识推荐是业务流程管理的一个重要方面，这些知识主要包括流程的未来任务，流程任务的执行时间以及流程任务的执行成本等。
[0004]对业务过程任务执行时知识的发现，对提高企业业务流程管理效率，降低生产成本，提高决策准确度具有重要作用。
[0005]然而现有的关于业务流程下一个活动知识推荐的方法普遍存在预测效果不准确，模型对历史日志的有效信息的利用率不高，为了解决以上问题，我们提出自己的方法。

技术实现思路

[0006]本专利技术的目的在于提供一种业务过程任务执行时知识推荐方法，主要包括业务流程下一个活动知识推荐。该方法利用业务流程的历史日志，得到历史流程，并以此为样本，对流程的未来任务知识进行预测。
[0007]实现本专利技术目的的技术解决方案为：
[0008]一种基于深度学习的业务过程任务执行时知识推荐方法，包括以下步骤：
[0009]S1、根据业务流程事件日志，获取业务活动、制造资源的集合；
[0010]S2、获取业务流程踪迹数据集：根据事件日志的案例属性，将具有相同案例属性的日志归纳为同一个集合，在同一个集合中，根据事件日志的开始时间和结束时间，对集合中的元素进行排序，得到具有时序规则的业务流程踪迹数据集；
[0011]S3、获取样本数据集：对数据集中的每一条流程踪迹进行处理，获得多个前置序列及其对应的标签，作为模型训练的样本；
[0012]S4、获取前置序列对应的任务序列、资源序列、时间序列数据构成训练数据样本，并划分训练集和验证集数据；
[0013]S5、搭建深度学习网络模型；
[0014]S6、将样本放入深度学习网络进行训练，得到知识推荐模型；
[0015]S7、将验证数据集放入模型进行预测，将得到的预测结果进行知识推荐。
[0016]本专利技术与现有技术相比，其显著优点是：
[0017](1)本专利技术提出了一种基于深度学习的知识推荐方法，对比传统的机器学习方法，具有更高的准确性，同时模型的泛化性能更高。
[0018](2)本专利技术在下一个活动知识推荐方面，考虑了任务序列、时间序列、资源序列三个维度的数据，比传统只考虑任务序列和时间序列的模型具有更高的预测准确性。
附图说明
[0019]图1为本专利技术具体执行流程图。
[0020]图2为业务流程事件日志数据示意图。
[0021]图3为任务序列数据x
act
预理后的示意图。
[0022]图4为Inception神经网络模型图。
[0023]图5为整体卷积神经网络模型图。
具体实施方式
[0024]下面结合附图及具体实施例对本专利技术做进一步的介绍。
[0025]结合图1
‑
图5，本专利技术的一种基于深度学习的业务过程任务执行时知识推荐方法，包括以下步骤：
[0026]S1、根据业务流程事件日志，获取业务活动、制造资源的集合，具体为：
[0027]将获取的事件日志进行处理，对所有的事件日志进行遍历，提取事件日志的活动属性值，设置A为业务流程活动的集合，比较遍历的活动属性与集合A中的属性，若遍历的属性不在集合A中，则将该活动属性值纳入集合A中，集合A中的元素具有互异性。同样的，在日志遍历过程中，提取日志的资源属性值，设置R为业务流程的资源集合，比较遍历的资源属性与集合R中的元素，若遍历的属性不在集合R中，则将该资源属性值纳入集合R中，集合R中的元素同样具有互异性
[0028]e
i
＝(a
i
，c
i
，r
i
，t
i
)表示某一个事件，其中，a
i
表示活动全集A中某一个活动，c
i
表示案例集合C中的某一个案例，r
i
表示资源全集中的某一个资源，t
i
表示事件e
i
发生的时间戳。获取业务活动的集合：
[0029]A＝(a1，a2，...，a
m
),
[0030]其中，A为业务流程活动集合，是互异性集合，a1，a2，...，a
m
为整个事件日志中活动种类，m表示共有m种活动；
[0031]获取制造资源的集合：
[0032]R＝(r1，r2，...，r
n
)；
[0033]其中R为业务流程资源集合，是互异性集合，r1，r2，...，r
n
为整个事件日志中的资源种类，n表示共有n种资源。
[0034]S2、获取业务流程踪迹数据集(traceData)，具体为：
[0035]将获得的事件日志数据进行初步整理，根据事件日志的案例属性，将具有相同案例属性的日志归纳为同一个集合。同时，在同一个集合中，根据事件日志的开始时间和结束时间，对集合中的元素进行排序，得到具有时序规则的业务流程踪迹数据集。
[0036]获取具有相同案例属性的日志集合τ：
[0037]τ＝{e
p
，e
q
，...，e
o
}；e
p
，e
q
，...，e
o
表示属于集合τ中的事件。
[0038]其中，τ为无序的集合。
[0039]将τ中的日志按照时间属性排序，获得业务流程的一个踪迹(trace)σ：
[0040]σ＝<e
o
，e
q
，...，e
q
>；
[0041]其中e
o
，e
p
，...，e
q
为τ＝{e
p
，e
q
，...，e
o
}中的元素按照事件时间戳的大小排序后的结果，排序顺序为从小到大。σ是有序的事件序列。
[0042]获取业务流程踪迹数据集O：
[0043]O＝{σ1，σ2，...，σ
l
}
[0044]其中，l代表业务踪迹数据集O中共有l条踪迹,σ1，σ2，...，σ
l
,分别表示集合O的第1个、第2个到第l个踪迹。
[0045]S3、获取样本数据集，
[0046]由S2,获得的业务流程踪迹数据集，对数据集中的每一条流程踪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的业务过程任务执行时知识推荐方法，其特征在于，包括以下步骤：S1、根据业务流程事件日志，获取业务活动、制造资源的集合；S2、获取业务流程踪迹数据集：根据事件日志的案例属性，将具有相同案例属性的日志归纳为同一个集合，在同一个集合中，根据事件日志的开始时间和结束时间，对集合中的元素进行排序，得到具有时序规则的业务流程踪迹数据集；S3、获取样本数据集：对数据集中的每一条流程踪迹进行处理，获得多个前置序列及其对应的标签，作为模型训练的样本；S4、获取前置序列对应的任务序列、资源序列、时间序列数据构成训练数据样本，并划分训练集和验证集数据；S5、搭建深度学习网络模型；S6、将样本放入深度学习网络进行训练，得到知识推荐模型；S7、将验证数据集放入模型进行预测，将得到的预测结果进行知识推荐。2.根据权利要求1所述的基于深度学习的业务过程任务执行时知识推荐方法，其特征在于，获取业务活动、制造资源的集合的具体过程为：对所有的事件日志进行遍历，提取事件日志的活动属性值，设置A为业务流程活动的集合，比较遍历的活动属性与集合A中的属性，若遍历的属性不在集合A中，则将该活动属性值纳入集合A中；获取业务活动的集合：A＝(a1，a2，...，a
m
)a1，a2，...，a
m
为整个事件日志中活动种类，m表示共有m种活动；在日志遍历过程中，提取日志的资源属性值，设置R为业务流程的资源集合，比较遍历的资源属性与集合R中的元素，若遍历的属性不在集合R中，则将该资源属性值纳入集合R中；获取制造资源的集合：R＝(r1，r2，...，r
n
)r1，r2，...，r
n
为整个事件日志中的资源种类，n表示共有n种资源。3.根据权利要求1所述的基于深度学习的业务过程任务执行时知识推荐方法，其特征在于，获取业务流程踪迹数据集的具体过程为：获取具有相同案例属性的日志集合τ：τ＝{e
p
，e
q
，...，e
o
}；e
p
，e
q
，...，e
o
表示属于日志集合τ中的事件；其中，τ为无序的集合；将τ中的日志按照时间属性排序，获得业务流程的一个踪迹σ：σ＝＜e
o
，e
p
，...，e
q
＞；其中e
o
，e
p
，...，e
q
为τ＝{e
p
，e
q
，...，e
o
}中的元素按照事件时间戳的大小排序后的结果，排序顺序为从小到大；σ是有序的事件序列；获取业务流程踪迹数据集O：O＝{σ1，σ2，...，σ
l
}其中，l代表业务踪迹数据集O中共有l条踪迹，σ1，σ2，...，σ
l
，分别表示集合O的第1个、第2个到第l个踪迹。4.根据权利要求1所述的基于深度学习的业务过程任务执行时知识推荐方法，其特征
在于，数据集中的某一个样本表示为：其中，σ
k
代表踪迹σ的某个前置序列，该前置序列σ
k
由σ中第1个到第k个事件组成，表示事件e的活动分项的提取算子，e
k+1
表示前置序列σ
k
的下一个事件，表示事件e
k+1
的活动属性值。5...

【专利技术属性】
技术研发人员：刘庭煜，施伟伟，焦磊，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：