CN112800282A - 一种业务流程异常节点溯源方法 - Google Patents
一种业务流程异常节点溯源方法 Download PDFInfo
- Publication number
- CN112800282A CN112800282A CN202110054367.1A CN202110054367A CN112800282A CN 112800282 A CN112800282 A CN 112800282A CN 202110054367 A CN202110054367 A CN 202110054367A CN 112800282 A CN112800282 A CN 112800282A
- Authority
- CN
- China
- Prior art keywords
- node
- abnormal
- attribute
- nodes
- attributes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种业务流程异常节点溯源方法,涉及流程图的构建与查找。包括以下步骤:1)通过数据仿真构建包含属性图信息的业务流程图;业务流程图中包括节点、节点属性、节点关系,属性图包含节点属性的转换关系;2)根据业务流程图和属性图中节点的属性数据流动关系,结合深度优先遍历搜索算法,基于属性图约束对业务流程图进行剪枝优化,将与异常节点路径上不相关的支路去除,给出起始溯源的具体属性,沿着该属性的方向逆向查找异常点,完成业务流程异常节点溯源。加快网络对异常节点的搜索速度,提升搜索效率,可实现高效异常逆向溯源搜索,为流程推进提供有力保障具有实际意义。
Description
技术领域
本发明涉及流程图的构建与查找,尤其是涉及可加快网络对异常节点的搜索速度,实现高效的异常逆向溯源搜索的一种业务流程异常节点溯源方法。
背景技术
在工作流系统中,业务流程是实际业务流程的体现,流程中的每个活动节点是企业内每个业务功能的表示,并通过活动节点之间的顺序关系来表示相应的信息流。在实际业务中会存在许多的“困难属性”;例如,需要某个负责人的签名认证,但该负责人恰好不在,缺少了类似签名这样的“困难属性”使得节点无法完成,从而导致后继节点的业务迟迟无法开展。对此,当出现一个节点因为一个子属性不合格或者缺失,但不妨碍后置节点进行的情况下,可以先行对该节点的属性进行异常标记,在未来某个后置节点因为前置节点的异常无法进行时,再对流程进行异常溯源。例如,在一个复杂的办案流程中,一个案件会涉及到大量的业务节点,每个节点又包含数量不等的业务节点属性,随着案件流程的进行,溯源搜索的复杂度会变得越来越大,搜索次数也会更加频繁;这些问题对于异常源的检测及搜索效率带来巨大的考验,因此迫切的需要一个溯源算法在业务流程进行中高效地定位到异常产生的节点及其负责人,辅助办案人员快速发现业务流程中的问题。
现有常用的搜索算法有广度优先遍历(BFS)、深度优先遍历(DFS)以及包含图全局信息的启发式搜索算法(如A*搜索)(Lewis,H.,Zax,R.:Essential Discrete Mathematicsfor Computer Science.Princeton University Press.2019.)。在进行逆向溯源的过程中,每个节点都有存在异常的可能导致后置业务节点无法顺利进行,且无法获取点到点直接的评估距离,因此该搜索过程为盲目搜索,没有启发式规则指导算法的搜索过程,通过深度优先遍历和广度优先遍历即可完成搜索。但随着节点数量的增加,会有大量的不相关节点被重复访问。
针对以上问题,一个高效的异常溯源算法对于加快网络对异常节点的搜索速度,以实现高效的异常逆向溯源搜索,为流程推进提供有力保障具有实际意义。
发明内容
本发明的目的在于针对现有技术存在的上述问题,提供可加快网络对异常节点的搜索速度,实现高效的异常逆向溯源搜索,为流程推进提供有力保障的应用于业务流程图的一种业务流程异常节点溯源方法。
本发明包括以下步骤:
1)通过数据仿真构建包含属性图信息的业务流程图;业务流程图中包括节点、节点属性、节点关系,属性图包含节点属性的转换关系;
2)根据业务流程图和属性图中节点的属性数据流动关系,结合深度优先遍历搜索算法,基于属性图约束对业务流程图进行剪枝优化,将与异常节点路径上不相关的支路去除,给出起始溯源的具体属性,沿着该属性的方向逆向查找异常点,完成业务流程异常节点溯源。
在步骤1)中,所述通过数据仿真构建包含属性图信息的业务流程图的具体步骤可为:通过数据仿真,随机生成N个业务节点,每个节点随机包含若干属性,每个前置节点都与后置节点随机产生关系,节点中的属性也会随机的与当前节点的后置节点对应的属性产生转换关系,基于上述规则在不同的随机种子下产生多张包含属性图的业务流程图。
在步骤2)中,所述基于属性图约束对业务流程图进行剪枝优化的具体步骤可为:
给定一个业务流程图G,设无法继续进行的后继节点为Vx,首先将起始搜索节点Vn压入路径堆栈中,再取出栈顶节点开始访问,检查该节点的属性an1至anm,若无标记为异常的属性值,则将取出的栈顶节点标记为已访问节点;当路径堆栈为空时,再将节点Vn的相邻前驱节点压入路径堆栈中;如此反复取出栈顶节点进行检查,直到找到异常节点则查找元素,若未查找到异常节点且栈中元素为空,则查找失败;在此基础上,加入属性图约束,将与异常节点路径上不相关的支路去除,并给出起始溯源的具体属性,使剪枝溯源算法沿着该属性的方向逆向查找异常点,无需一个个遍历前驱节点的所有属性。
所述剪枝溯源算法描述如下:
与现有技术相比,本发明具有以下突出的优点和技术效果:
本发明通过数据仿真构包含属性图信息的业务流程图,根据业务流程图和属性图中节点的属性数据流动关系,结合深度优先遍历搜索算法,对搜索网络进行剪枝优化,加快网络对异常节点的搜索速度,提升搜索效率,可实现高效异常逆向溯源搜索,为流程推进提供有力保障具有实际意义。本发明在现实中具有广泛的应用场景。在社交关系网络中,更快的网络溯源算法可以在相同时间内为更多用户进行内容、商品推荐;在区块链领域中,高效的溯源算法可以利用多个账号多次交易所形成的数字货币网络精准定位异常源识别异常账号;在传统的业务流程系统中,当由于前置节点异常导致后置节点无法顺利完成时,也可以对系统流程进行溯源检索,更快的找到异常点。
附图说明
图1为异常节点的深度优先搜索和基于属性图约束的异常业务流程节点溯源顺序示意图。
图2为不同节点数量的流程图在两种溯源算法处理时间比较。
图3为不同的节点最大属性数量的流程图在两种溯源算法处理时间比较。
图4为不同的最大后继节点数量的流程图在两种溯源算法处理时间比较。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
本发明包括以下步骤:
1)通过数据仿真构建包含属性图信息的业务流程图;通过数据仿真,随机生成N个业务节点,每个节点随机包含若干属性,每个前置节点都与后置节点随机产生关系,节点中的属性也会随机的与当前节点的后置节点对应的属性产生转换关系,基于上述规则在不同的随机种子下产生多张包含属性图的业务流程图。
2)基于属性图约束对流程图进行剪枝,将与异常节点路径上不相关的支路去除,给出起始溯源的具体属性,沿着该属性的方向逆向查找异常点,完成业务流程异常节点溯源。输入一个业务流程图G,异常属性axe和起始访问属性an,设无法继续进行的后继节点为Vx,输出包含异常属性的异常节点Vx,初始化一个访问属性的路径栈S;将起始搜索节点Vn压入路径堆栈中,再取出栈顶节点开始访问,检查该节点的属性an1至anm,若无标记为异常的属性值,则将取出的栈顶节点标记为已访问节点;当路径堆栈为空时,再将节点Vn的相邻前驱节点压入路径堆栈中;如此反复取出栈顶节点进行检查,直到找到异常节点则查找元素,若未查找到异常节点且栈中元素为空,则查找失败;在此基础上,加入属性图约束,将与异常节点路径上不相关的支路去除,并给出起始溯源的具体属性,使剪枝溯源算法沿着该属性的方向逆向查找异常点,无需一个个遍历前驱节点的所有属性。
本实施例基于python3编程语言实现数据的仿真和实验,为验证算法运行效率和内存占用,使用运行环境:OSX 64位,CPU为Intel i5处理器,8GB内存空间的笔记本做测试。
分别将直接深度优先搜索的算法运行速度与基于属性图约束的异常溯源算法分别在不同节点数量和不同的最大属性数量上的表现对比两种算法的运行效率,两个算法的遍历流程如图1所示。图1(a)为深度优先搜索的示意图,(a)左边是节点内属性遍历顺序,右边是整体的业务流程缩略图,深度优先搜索顺序如图1(a)中左边的短虚线所示,即沿着节点流程的逆序开始,依次顺序检索每个节点内部的所有属性,该算法不考虑不同节点间的属性关联,需要遍历整条路径上的节点和属性;图1(b)为基于属性图约束剪枝后的搜索顺序,同深度优先搜索一样沿着流程逆序开始搜索,但不同的是该方法在检查异常节点后,还会考虑属性间的约束信息,也就是属性和属性在不同节点之间的转换关系,图1(b)左边的长虚线为属性间的转换关系,短虚线为该算法的搜索顺序。利用属性图约束排除掉非异常属性分支路径,对异常属性来源跳步搜索,更快的定位到异常节点。
图2给出不同节点数量(N=10000,20000,…,100000)的流程图在没有剪枝的溯源算法和剪枝后的溯源算法处理时间的比较,每个节点都会产生3~5个属性值,由于不同节点数量的流程图都是随机产生,异常的位置也各不相同,因此数据的构造通过不同的随机种子产生十个相同数量节点的不同流程图,最后算法运行时间取这十张不同随机种子的流程图来作为该节点数量下算法的运行时间,避免其他随机因素的干扰导致出现不合常理的异常波动;可以发现在2万节点以下的流程图中,剪枝的优势并不明显,性能差距较小,随着节点数量逐渐增加,剪枝后的算法速度有效提升;即使节点数量高达十万的量级,算法也可以在毫秒级别完成异常的搜索,符合工业界对实时检索的要求。
图3给出不同的节点最大属性数量的流程图在没有剪枝的溯源算法和剪枝后的溯源算法处理时间比较。该实施例的所有流程图都在5000个节点下进行,每个节点V都包含3~X个不等的属性,X取值为5~30。同样,每个节点的最大属性数量X都构造十个随机种子生成的流程图来避免随机生成图产生的偶然性。实验结果可以看出,在最大属性数量30以内,本发明剪枝算法的效率大大快于直接进行深度优先遍历的溯源算法。随着节点最大属性数量的增加,溯源速度也不会剧烈增加。
流程图中每个节点与后继节点的连接数量不同代表着该业务流程的复杂度也不同,一个节点影响的后继业务节点越多表示该业务流程就越复杂。为此创建不同复杂度的业务流程图,来测试算法在不同复杂度下的异常节点搜索性能。图4给出不同的节点最大属性数量的流程图在没有剪枝的溯源算法和剪枝后的溯源算法处理时间比较,横轴代表着一个流程图中每个节点的最大出度数量,本实施例所有流程图都在5000个节点下进行,每个节点V都存在1~ Y个不等的后继节点,Y取值为5~100不等。每组实验都使用十个随机种子生成不同流程图来避免随机生成图产生的偶然性。
实验结果可以看出,当业务流程节点与后继节点的最大连接数量大于5时,随着业务流程图的复杂度增加,深度优先遍历呈现快速上升的趋势,而本发明基于属性图约束的异常业务流程节点搜索的变化则趋于稳定且缓慢的下降。因此可以看出,本发明搜索算法在越复杂的流程图优于传统的深度优先遍历算法。
综上,本发明对深度优先遍历进行剪枝优化后的属性图约束的异常业务流程节点溯源搜索方法非常适合大规模的业务流程系统。
Claims (4)
1.一种业务流程异常节点溯源方法,其特征在于包括以下步骤:
1)通过数据仿真构建包含属性图信息的业务流程图;业务流程图中包括节点、节点属性、节点关系,属性图包含节点属性的转换关系;
2)根据业务流程图和属性图中节点的属性数据流动关系,结合深度优先遍历搜索算法,基于属性图约束对业务流程图进行剪枝优化,将与异常节点路径上不相关的支路去除,给出起始溯源的具体属性,沿着该属性的方向逆向查找异常点,完成业务流程异常节点溯源。
2.如权利要求1所述一种业务流程异常节点溯源方法,其特征在于在步骤1)中,所述通过数据仿真构建包含属性图信息的业务流程图的具体步骤为:通过数据仿真,随机生成N个业务节点,每个节点随机包含若干属性,每个前置节点都与后置节点随机产生关系,节点中的属性也会随机的与当前节点的后置节点对应的属性产生转换关系,基于上述规则在不同的随机种子下产生多张包含属性图的业务流程图。
3.如权利要求1所述一种业务流程异常节点溯源方法,其特征在于在步骤2)中,所述基于属性图约束对业务流程图进行剪枝优化的具体步骤为:
给定一个业务流程图G,设无法继续进行的后继节点为Vx,首先将起始搜索节点Vn压入路径堆栈中,再取出栈顶节点开始访问,检查该节点的属性an1至anm,若无标记为异常的属性值,则将取出的栈顶节点标记为已访问节点;当路径堆栈为空时,再将节点Vn的相邻前驱节点压入路径堆栈中;如此反复取出栈顶节点进行检查,直到找到异常节点则查找元素,若未查找到异常节点且栈中元素为空,则查找失败;在此基础上,加入属性图约束,将与异常节点路径上不相关的支路去除,并给出起始溯源的具体属性,使剪枝溯源算法沿着该属性的方向逆向查找异常点,无需一个个遍历前驱节点的所有属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054367.1A CN112800282B (zh) | 2021-01-15 | 2021-01-15 | 一种业务流程异常节点溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054367.1A CN112800282B (zh) | 2021-01-15 | 2021-01-15 | 一种业务流程异常节点溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800282A true CN112800282A (zh) | 2021-05-14 |
CN112800282B CN112800282B (zh) | 2022-11-08 |
Family
ID=75809634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054367.1A Active CN112800282B (zh) | 2021-01-15 | 2021-01-15 | 一种业务流程异常节点溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800282B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609210A (zh) * | 2021-08-23 | 2021-11-05 | 广州梦源信息科技有限公司 | 基于人工智能的大数据可视化处理方法及可视化服务系统 |
CN114021724A (zh) * | 2021-11-03 | 2022-02-08 | 华南理工大学 | 一种适配于广义关系网络的广义功能推理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5249261A (en) * | 1990-02-26 | 1993-09-28 | International Business Machines Corporation | Failure history table for optimizing backtrack searches |
CN101169716A (zh) * | 2007-11-30 | 2008-04-30 | 清华大学 | 一种基于产品结构树的仿真流程信息建模及维护方法 |
JP2008282286A (ja) * | 2007-05-11 | 2008-11-20 | Fujitsu Ltd | 番号付与プログラム、番号付与装置および番号付与方法 |
WO2011091470A1 (en) * | 2010-01-27 | 2011-08-04 | National Ict Australia Limited | Query processing of tree-structured data |
CN105096041A (zh) * | 2015-07-24 | 2015-11-25 | 北京中电普华信息技术有限公司 | 一种指标异动的溯源及预测方法、装置 |
CN108225333A (zh) * | 2018-01-12 | 2018-06-29 | 中国电子科技集团公司第二十八研究所 | 一种用于航线规划的最优路径生成方法 |
CN109102138A (zh) * | 2018-04-13 | 2018-12-28 | 同济大学 | 工作流网检验的异常片段提取方法、可读存储介质及终端 |
CN109213903A (zh) * | 2018-07-04 | 2019-01-15 | 苏州大学 | 一种时序图下多约束路径查询方法 |
CN109783260A (zh) * | 2018-12-13 | 2019-05-21 | 平安普惠企业管理有限公司 | 智能it全流程运维方法、装置、设备及可读存储介质 |
CN110245271A (zh) * | 2019-05-21 | 2019-09-17 | 华中科技大学 | 基于属性图的大规模关联数据划分方法及系统 |
CN112214612A (zh) * | 2020-09-29 | 2021-01-12 | 华东师范大学 | 知识图谱标签松散场景下地理信息索引结构及检索方法 |
-
2021
- 2021-01-15 CN CN202110054367.1A patent/CN112800282B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5249261A (en) * | 1990-02-26 | 1993-09-28 | International Business Machines Corporation | Failure history table for optimizing backtrack searches |
JP2008282286A (ja) * | 2007-05-11 | 2008-11-20 | Fujitsu Ltd | 番号付与プログラム、番号付与装置および番号付与方法 |
CN101169716A (zh) * | 2007-11-30 | 2008-04-30 | 清华大学 | 一种基于产品结构树的仿真流程信息建模及维护方法 |
WO2011091470A1 (en) * | 2010-01-27 | 2011-08-04 | National Ict Australia Limited | Query processing of tree-structured data |
CN105096041A (zh) * | 2015-07-24 | 2015-11-25 | 北京中电普华信息技术有限公司 | 一种指标异动的溯源及预测方法、装置 |
CN108225333A (zh) * | 2018-01-12 | 2018-06-29 | 中国电子科技集团公司第二十八研究所 | 一种用于航线规划的最优路径生成方法 |
CN109102138A (zh) * | 2018-04-13 | 2018-12-28 | 同济大学 | 工作流网检验的异常片段提取方法、可读存储介质及终端 |
CN109213903A (zh) * | 2018-07-04 | 2019-01-15 | 苏州大学 | 一种时序图下多约束路径查询方法 |
CN109783260A (zh) * | 2018-12-13 | 2019-05-21 | 平安普惠企业管理有限公司 | 智能it全流程运维方法、装置、设备及可读存储介质 |
CN110245271A (zh) * | 2019-05-21 | 2019-09-17 | 华中科技大学 | 基于属性图的大规模关联数据划分方法及系统 |
CN112214612A (zh) * | 2020-09-29 | 2021-01-12 | 华东师范大学 | 知识图谱标签松散场景下地理信息索引结构及检索方法 |
Non-Patent Citations (1)
Title |
---|
何路路: "《基于抽象技术的流程模型变化传播分析》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609210A (zh) * | 2021-08-23 | 2021-11-05 | 广州梦源信息科技有限公司 | 基于人工智能的大数据可视化处理方法及可视化服务系统 |
CN114021724A (zh) * | 2021-11-03 | 2022-02-08 | 华南理工大学 | 一种适配于广义关系网络的广义功能推理方法 |
CN114021724B (zh) * | 2021-11-03 | 2023-03-21 | 华南理工大学 | 一种适配于广义关系网络的广义功能推理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112800282B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Teng | Scalable algorithms for data and network analysis | |
Gramm et al. | Automated generation of search tree algorithms for hard graph modification problems | |
CN112800282B (zh) | 一种业务流程异常节点溯源方法 | |
Bonet | Deterministic pomdps revisited | |
US10713429B2 (en) | Joining web data with spreadsheet data using examples | |
CN105706092B (zh) | 四值模拟的方法和系统 | |
Eppstein | The traveling salesman problem for cubic graphs | |
CN110264392B (zh) | 一种基于多gpu的强连通图检测方法 | |
Chen et al. | Optimizing the product derivation process | |
JP2014055037A (ja) | 積載操作方法、システム及びコンピュータ・プログラム。 | |
WO2022141489A1 (zh) | 深度学习模型的推理方法、装置、计算机设备和存储介质 | |
US7519957B2 (en) | Symbolic model checking of software | |
Boigelot et al. | Counting the solutions of Presburger equations without enumerating them | |
Addis | Towards an ‘expert’diagnostic system | |
Kumar et al. | Collaborative filtering-based test case prioritization and reduction for software product-line testing | |
CN114490420A (zh) | 测试用例生成方法及装置、存储介质及电子设备 | |
Ricciardi | Lectures in applied mathematics and informatics | |
JPWO2004068342A1 (ja) | ソフトウェア開発前処理方法、ソフトウェア制御方法、ソフトウェア開発方法並びにソフトウェア開発装置 | |
Suresh et al. | An ensemble feature selection model using fast convergence ant colony optimization algorithm | |
Pelc et al. | Efficient grid exploration with a stationary token | |
Saadaoui et al. | Depth-first search approach for language-based opacity verification using Petri nets | |
Weber et al. | Fast subgraph isomorphism detection for graph-based retrieval | |
Reinthal et al. | Finding the densest common subgraph with linear programming | |
Boigelot et al. | Counting the solutions of Presburger equations without enumerating them | |
Cojocaru | On the Complexity of Coordinated Table Selective Substitution Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |