融合结构和行为特征的生产业务流程节点向量表征方法技术

本发明专利技术公开了一种融合结构和行为特征的生产业务流程节点向量表征方法。该方法包括以下几个步骤：首先使用随机游走算法和Skip

【技术实现步骤摘要】
融合结构和行为特征的生产业务流程节点向量表征方法


[0001]本专利技术涉及业务流程管理领域，具体涉及融合结构和行为特征的生产业务流程节点向量表征方法。

技术介绍

[0002]随着科技的进步和制造业的发展，制造企业面临着产品成本压缩、产品更迭速度加快、产品质量提高以及服务质量改进等方面的考验，这对生产业务流程的执行提出了费用更低、用时更短、资源利用率更优等更高要求。因此，优化生产业务流程，以帮助企业持续增加利润、提高核心竞争力，促进传统制造企业的智能升级，是制造企业亟待解决的重要问题。为了进行生产业务流程优化，对生产业务流程的节点进行表征是首要步骤，目标是学习生成低维稠密向量来表示流程节点，使生产业务流程优化任务都在习得的低维向量空间中直接进行。
[0003]传统的生产业务流程节点表征方法主要集中于人工设计或提取流程特征，效率低且提取难度会随着流程复杂性上升而快速增长。此外，传统流程特征提取虽然针对性强，但是所提取的特征维度少，大多只涉及单个方面的特征，具有较强的应用场景依赖性。由此迫切需要一种生产业务流程节点特征自动表征方法，考虑生产业务流程的结构、行为等多个方面特征，对不同特征进行融合、萃取，以更好地对生产业务流程的节点进行表征。

技术实现思路

[0004]为了对生产业务流程中的节点进行自动表征，本专利技术提出一种融合结构和行为特征的生产业务流程节点向量表征方法。首先，对生产业务流程的图结构进行随机游走得到节点序列，在此基础上使用Skip
‑
gram模型学习得到节点的结构向量；然后将生产业务流程的历史执行日志输入到Skip
‑
gram模型中学习得到节点的行为向量；最后使用深度玻尔兹曼机融合节点的结构和行为向量，进而得到融合结构和行为特征的生产业务流程节点特征向量。
[0005]一种融合结构和行为特征的生产业务流程节点向量表征方法，包括以下步骤：
[0006](1)输入Petri网建模的生产业务流程的图结构G＝{P,T,E}，其中P表示库所节点，T为任务节点，E为边，库所是任务节点的状态。
[0007](2)得到生产业务流程中节点的结构向量。
[0008](3)输入生产业务流程的历史执行日志L＝{δ1,δ2,...,δ
|L|
}由多个执行轨迹δ
i
构成，|L|表示历史执行日志包含的执行轨迹数量，一个执行轨迹δ＝＜v1,v2,...,v
|δ|
＞由多个任务节点组成，|δ|表示执行轨迹的长度。
[0009](4)使用Skip
‑
gram模型生成生产业务流程节点的行为向量。
[0010](5)使用深度波尔兹曼机，通过对生产业务流程节点低层的结构特征向量s和行为特征向量b分别通过两个高斯受限玻尔兹曼机来提取中间层隐单元特征，然后通过叠加一层二值隐单元来融合v
s
和v
b
，对于生产业务流程节点的结构和行为特征组合(v
s
,v
b
)的概
率、可见单元和隐单元的条件激活概率如公式5～公式10所示：
[0011][0012][0013][0014][0015][0016][0017]其中，θ表示最优模型参数，表示v
s
、v
b
为N维向量空间且向量中的每个分量是实数，K是生产业务流程中任务节点的数量，D是节点表大小，h代表隐单元，h
(2)
为第二层隐单元，W
ij
表示可视单元i与隐单元j之间连接的权重，sigm即为Sigmoid函数，即
[0018](6)训练深度玻尔兹曼机，使得隐单元的激活概率收敛，进而获得融合结构和行为的节点特征向量。
[0019]进一步，步骤(2)由以下步骤组成：
[0020](2.1)构建随机游走序列生成器，给定图G中的当前节点v，访问其下一节点v
next
的概率如公式1所示,：
[0021][0022]其中，E表示图G的边集，(v,v
next
)∈E表示节点v和节点v
next
之间存在边，表示节点v和节点v
next
之间不存在边，是节点v和节点v
next
未归一化的转移概率，Z是归一化常数。通过在图G上进行随机游走得到一系列节点序列。
[0023](2.2)引入Skip
‑
gram模型对得到的随机游走序列中的每个节点进行概率建模，使用随机梯度下降算法得到节点的结构向量，算法的目标函数如公式2所示：
[0024][0025]其中，V表示图G的节点集合，Φ(v)是当前节点v的结构向量，N(v)是v通过随机游走采样得到的邻居节点。若假设采样得到的每个邻居节点是相互独立的，则公式2可以简化为：
[0026][0027]其中，其中，c
i
表示邻居节点N(v)中的第i个节点，∏表示连乘，p(c
i
|Φ(v))由公式
(4)定义的softmax函数得到，Pr(c
i
|Φ(v))由公式4定义的softmax函数得到：
[0028][0029]其中，e表示自然底数，Φ(c
i
)和Φ(u)分别表示节点c
i
和节点u的结构向量。
[0030]进一步，所述的步骤(4)由以下步骤组成：
[0031](4.1)准备训练数据，得到历史执行日志的任务节点集合V，对每个节点生成one
‑
hot向量，即每个节点是一个V
×
1的向量w，所有的任务节点组成的节点表就构成了V
×
V的矩阵M。
[0032](4.2)初始化两个大小为V
×
d的矩阵W和W'，其中d是对节点编码后的空间大小，W是将任务节点作为中心节点时的节点向量矩阵，W'同理。W和W'中的每一列对应着矩阵M中每一列所编码节点的向量信息，会在后续的优化过程中被更新，其既是权重矩阵，也是最后输出的节点行为向量。
[0033](4.3)使用中心节点v
c
对其上下文中的每个节点u
o
做内积，计算u
oT
v
c
。
[0034](4.4)使用softmax公式对节点表进行映射，计算每个节点的概率该结果得到某一个节点的概率然后将其转换成one
‑
hot形式，输出的结果是w。
[0035](4.5)极大化P(w
o
|w
c
)，即在某一上下文中，输入节点的one
‑
hot向量是w
c
时，极大化输出为w
o
的概率。
[0036](4.6)进行反向传播，更新两个权重矩阵W和W'，优化完毕后取中心节点向量矩阵W作为节点的行为向量。
[0037本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合结构和行为特征的生产业务流程节点向量表征方法，其特征在于，包括如下步骤：1)输入Petri网建模的生产业务流程的图结构G＝{P,T,E}，其中P表示库所节点，T为任务节点，E为边，库所是任务节点的状态；2)得到生产业务流程中节点的结构向量；3)输入生产业务流程的历史执行日志L＝{δ1,δ2,...,δ
|L|
}由多个执行轨迹δ
i
构成，|L|表示历史执行日志包含的执行轨迹数量，一个执行轨迹δ＝＜v1,v2,...,v
|δ|
＞由多个任务节点组成，|δ|表示执行轨迹的长度；4)使用Skip
‑
gram模型生成生产业务流程节点的行为向量；5)使用深度波尔兹曼机，通过对生产业务流程节点低层的结构特征向量s和行为特征向量b分别通过两个高斯受限玻尔兹曼机来提取中间层隐单元特征，然后通过叠加一层二值隐单元来融合v
s
和v
b
，对于生产业务流程节点的结构和行为特征组合(v
s
,v
b
)的概率、可见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：见单元和隐单元的条件激活概率如公式(5)～公式(10)所示：其中，θ表示最优模型参数，表示v
s
、v
b
为N维向量空间且向量中的每个分量是实数，K是生产业务流程中任务节点的数量，D是节点表大小，h代表隐单元，h
(2)
为第二层隐单元，W
ij
表示可视单元i与隐单元j之间连接的权重，sigm即为Sigmoid函数，即6)训练深度玻尔兹曼机，使得隐单元的激活概率收敛，进而获得融合结构和行为的节点特征向量。2.如权利要求1所述的融合结构和行为特征的生产业务流程节点向量表征方法，其特征在于：步骤2)具体包括以下步骤：2.1)构建随机游走序列生成器，给定图G中的当前节点v，访问其下一节点v
next
的概率如公式(1)所示,：其中，E表示图G的边集，(v,v
next
)∈E表示节点v和节点v
next
之间存在边，表
示...

【专利技术属性】
技术研发人员：王佳星，卢成梁，范菁，曹斌，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：