CN115049060A - 基于深度学习的业务过程任务执行时知识推荐方法 - Google Patents

Abstract

本发明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。

Description

基于深度学习的业务过程任务执行时知识推荐方法

技术领域

本发明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。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

实现本发明目的的技术解决方案为：

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：

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。

本发明与现有技术相比，其显著优点是：

(1)本发明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。

(2)本发明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

图1为本发明具体执行流程图。

图2为业务流程事件日志数据示意图。

图3为任务序列数据x_act预理后的示意图。

图4为Inception神经网络模型图。

图5为整体卷积神经网络模型图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的介绍。

结合图1-图5，本发明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：

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：

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

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：

A＝(a₁，a₂，...，a_m),

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；

获取制造资源的集合：

R＝(r₁，r₂，...，r_n)；

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。

S2、获取业务流程踪迹数据集(traceData)，具体为：

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。

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(trace)σ：

σ＝<e_o，e_q，...，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。

S3、获取样本数据集，

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迹进行处理，获得多个前置序列及其对应的标签，以此来作为模型训练的样本。

记数据集中的某一个样本

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。同样的，用

表示资源分项的提取算子，用

表示时间分项的提取算子。

S4、获取前置序列σ^k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，具体为：

S4.1、由S3得到的数据集样本，在前缀序列σ^k中分别获取任务序列、资源序列、时间序列数据。

获取任务序列数据x_act；

任务序列数据

获取资源序列数据x_res；

资源序列数据

设踪迹σ的第2个事件到第k+1个事件组成的有序序列为que＝(e₂，e₃，...，e_k，e_k+1)

获取时间序列数据

时间序列数据x_td为前置序列σ^k中每个事件的持续时间序列，并非时间戳序列。例如前置序列σ^k中的某个事件e_u，1＜u＜k,它的持续时间表示为：

e_u+1为前置序列σ^k中事件e_u的下一个事件。

S4.2、进一步处理样本s：

由S4.1获取的任务序列x_act、资源序列x_res、时间序列x_td，样本可以表示为

S4.3、对由S4.2获得的向量进行离散化处理并进行padding填充：

对获取的文本型数据x_act、x_res、

进行数值化处理，这里采用标签编码的方式，用不同的正整数代表不同的值，例如，对于踪迹σ中的某一个具体的前置踪迹σ⁴，其活动序列x_act＝(a₁，a₂，a₁，a₃),经过标签编码后可以表示为x_act＝(1，2，1，3)。利用0值依次对x_act(活动向量)、x_td(时间向量)、x_res(资源向量)进行padding填充，使得所有长度都与最长的前置序列的长度max_length相同，填充值放在最后。

S4.4、划分数据集：

将S4.3处理后的数据集，按照一定的比例进行划分，分别为训练数据集和验证数据集。

S5、搭建深度学习网络模型，具体为：

模型的第一层，有三个输入层，分别接收x_act序列、x_td序列和x_res序列，将获取的x_act序列和x_res序列利用模型的第二层，Embading层进行Embading处理，该方法为自然语言处理问题中的常用方法，由于A中含有|A|个元素，那么对其编码尺寸设置为

类似的对R的编码尺寸设置为

编码后，x_act与x_res的对应的矩阵尺寸依次为

和

x_td序列为连续型数据故不需要进行编码处理，其矩阵尺寸大小为size_td＝(max_length，1)。

模型的第三层为Concatenation层，用于接收传入的x_act、x_td、x_res数据并进行简单的横向拼接，拼接后样本s对应的样本特征为x＝(x_act，x_td，x_res)，其矩阵尺寸为

搭建网络的核心模块，Inception网络结构，该结构由两个一维卷积层，卷积核大小依次为1、2和一个最大池化层，核的大小为3，并列组合而成，三个层的输出，在Concatenation层简单横向拼接，作用与模型的第三层相同；接着依次堆叠三个核心模块，输出部分连接Global MaxPool层。

在卷积层，使用了非线性激活函数(ReLU)，解决梯度消失问题,非线性激活函数f(b)如下表示：

f(b)＝max(0，b)

b表示神经元的输出值；通过最小化均方误差损失函数loss，得到最优参数,

g表示模型的输出结果，y表示样本标签，z表示共有z个样本输入模型进行训练。

S6、将样本s放入深度学习网络进行训练，得到知识推荐模型具体为：

将S4处理后的训练数据放入S5搭建的深度学习模型中，在模型的训练过程中，设置固定的训练轮数epoch以及每次训练时投入的数据数batch_size，同时设置学习率learning_rate。

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，具体为：

将S4中得到的验证数据集放入S6中得到的深度学习模型，进行业务流程下一个活动知识预测，将预测的结果用于推荐。

实施例

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的实现进行详细的描述。

本方法提供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，所述方法包括以下步骤：

本次实验采用的数据集是BPI Challenge 2012挑战赛中的的日志数据，该数据描述的是一家银行的贷款过程，该日志集包含了13087个案例，262200个日志数量。

S1,根据业务流程事件日志，获取业务活动、制造资源的集合；

我们将csv类型的日志数据(如附图2所示)集进行处理，将日志数据集利用python的csv工具包读取，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中，则将该活动属性值纳入集合A中，A共有6个元素。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

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

中，

中共有48个元素。由此得到业务活动、制造资源的集合。

S2,获取流业务流程踪迹数据；

将离散的业务流程事件数据根据时间和案例信息转变为具有时序规则的业务流程序列数据。将csv类型的事件日志数据，按照属案例列的值进行分类，将相同案例的日志归为一类，便于我们从流程角度进行研究；将同一个案例下的事件日志按照开始时间属性值进行排列，排列的结果即为该案例的真实业务活动顺序，以此我们共得到13087个案例踪迹，得到的业务流程踪迹数据用于后续研究处理。

S3、获取样本数据集

根据S2获取的业务流程踪迹数据集，进一步处理，得到训练数据样本。依次对每一条业务流程踪迹进行处理，对流程踪迹数据进行切割，获得的前缀序列作为样本的训练向量的，前缀序列的后一个日志的任务活动属性作为样本的标签，一条流程踪迹数据，根据其长度可以划分得到多个训练样本，若其长度为10，则可得到的样本数量为9。

S4、获取任务序列、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

首先，由S3获取的样本数据集，在前缀日志序列中依次提取任务属性、资源属性和事件属性值，分别组成任务序列数组、资源序列数组、事件序列数组，因此分别得到x_act(活动向量)、x_res(资源向量)和x_td(时间向量)。

其次，将由同一个前缀日志序列得到的活动向量、资源向量和标签进行数值化处理，由于数据都是文本类型的数据，无法被模型获取，故采用标签编码方法，将文本类型数据变为数值型数据，例如，对于踪迹σ中的某一个具体的前置踪迹σ⁴，其活动序列x_act＝(a₁，a₂，a₁，a₃),经过标签编码后可以表示为x_act＝(1，2，1，3)。随后对数值化后将三个向量分别进行padding扩充，填充值为0，使得向量具有相同的长度(与最大前置序列长度相同)，长度值为19。

将处理得到的训练样本进行数据集划分，我们利用随机数种子对数据集进行打乱处理，然后按照7:3的比例对数据集进行划分，分别为训练数据集和验证数据集。

S5搭建深度学习网络模型

我们搭建一维深度学习网络(如图所示)来解决业务过程任务执行时知识推荐问题，该模型中我们采用了一种Inception结构，该结构由两个卷积层和一个最大池化层并列而成，同时共同连接了一个连接层。Inception结构的主要特点是提高了网络内计算资源的利用率。该网络有三个数据输入通道，分别为活动数据、资源数据和时间数据，另外需要对活动数据和资源数据分别进行Embading处理，降低特征向量的稀疏程度，提高模型对特征的提取和利用率。由于BPI Challenge 2012中活动集A中的元素个数为6，R的元素个数为48，则设置对活动集A和资源集R的尺寸分别为3和24。整体深度学习模型堆叠了3个Inception结构，，模型的输出层为全局最大池化层。

S6将训数据放入深度学习网络进行训练，得到知识推荐模型；

将训练数据导入模型，设置模型的训练轮数为100轮，设置batch_size＝64和模型的学习率learning_rate＝0.002，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；

模型训练完成后，将验证数据集放入知识推荐模型，进行预测，预测的结果作为知识进行推荐。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术行为人应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

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.根据权利要求3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，步骤S4具体过程为：

S4.1、由得到的数据集样本，在前缀序列σ^k中分别获取任务序列、资源序列、时间序列数据；

获取任务序列数据x_act；

任务序列数据

获取资源序列数据x_res；

资源序列数据

设踪迹σ的第2个事件到第k+1个事件组成的有序序列为que＝(e₂，e₃，...，e_k，e_k+1)

获取时间序列数据

时间序列数据x_td为前置序列σ^k中每个事件的持续时间序列；

S4.2、进一步处理样本：

由S4.1获取的任务序列x_act、资源序列x_res、时间序列x_td，样本表示为

S4.3、对由S4.2获得的向量进行离散化处理并进行padding填充：

对获取的文本型数据x_act、x_res、

进行数值化处理，这里采用标签编码的方式，用不同的正整数代表不同的值，利用0值依次对x_act、x_td、x_res进行padding填充，使得所有长度都与最长的前置序列的长度max_length相同，填充值放在最后；

S4.4、划分数据集：

将S4.3处理后的数据集，按照一定的比例进行划分，分别为训练数据集和验证数据集。

6.根据权利要求3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，搭建深度学习网络模型，具体为：

模型的第一层，有三个输入层，分别接收x_act序列、x_td序列和x_res序列，将获取的x_act序列和x_res序列利用模型的第二层，Embading层进行Embading处理；对业务流程活动的集合A编码尺寸设置为

对业务流程的资源集合R的编码尺寸设置为

编码后，x_act与x_res的对应的矩阵尺寸依次为

和

x_td序列为连续型数据故不需要进行编码处理，其矩阵尺寸大小为size_td＝(max_length，1)；

模型的第三层为Concatenation层，用于接收传入的x_act、x_td、x_res数据并进行横向拼接，拼接后样本s对应的样本特征为x＝(x_act，x_td，x_res)，其矩阵尺寸为

搭建网络的核心模块，Inception网络结构，该结构由两个一维卷积层，卷积核大小依次为1、2和一个最大池化层，核的大小为3，并列组合而成，三个层的输出，在Concatenation层简单横向拼接，作用与模型的第三层相同；接着依次堆叠三个核心模块，输出部分连接Global MaxPool层；

在卷积层，使用非线性激活函数(ReLU)，解决梯度消失问题，非线性激活函数f(b)如下表示：

f(b)＝max(0，b)

b表示神经元的输出值；通过最小化均方误差损失函数loss，得到最优参数，

g表示模型的输出结果，y表示样本标签，z表示共有z个样本输入模型进行训练。

Images