工作流模型结构化挖掘方法研究

流程挖掘是业务流程管理(business process management,BPM)研究的一项重要内容.提出了一种结构化挖掘方法,实现从事务型日志中挖掘出工作流网.该方法基于工作流模型的4种基本结构(顺序、并行、选择和循环)进行挖掘.定义了可挖掘的工作流模型--结构化工作流网(structural workflow net,SWF),从日志预处理,流程挖掘方法和合理性验证3个方面对挖掘算法进行了详细描述,证明挖掘出的工作流模型满足合理性和安全性的同时,具有可读性和容易理解的特点.     

对工作流网的过程挖掘算法研究

过程挖掘主要是发现事件日志的有价值的客观信息,对于它的研究为实施新的业务过程和对已实施的业务过程进行分析改进具有重要的作用,本文主要是基于工作流网,对于多事件类型挖掘、间接依赖关系挖掘以及不可见任务挖掘及算法进行的探讨研究。     

基于工作流日志的决策规则挖掘研究*

为了挖掘工作流日志中的决策规则信息,分析了工作流日志中的数据属性如何影响工作流实例的路径选择。基于算法挖掘工作流日志过程模型,对过程模型中的决策点进行分析,通过决策树分析技术结合工作流日志中的数据属性挖掘出影响工作流实例路由的决策规则。分析了现实应用中决策规则挖据所遇到的问题,并提出解决算法。最后通过测试程序测试并验证了挖掘过程。测试结果表明该算法能够正确地挖掘出决策规则。     

一种发现非确定选择平行关系的过程挖掘算法

任务间非确定选择平行关系是业务流程中一种普遍存在的流程逻辑关系,利用传统的工作流网建模这种逻辑关系会导致模型中出现重复任务,为过程挖掘带来困难。基于事件日志定义了非确定选择平行关系,结合同步管理器给出了判定非确定选择平行关系的定理以及γ算法。γ算法克服了目前挖掘算法的限制,挖掘流程结构的同时挖掘管理操作行为,加强了过程挖掘的可适用性。实例分析表明了算法的有效性。     

一种新的工作流频繁模式挖掘算法研究

为了提高工作流模型挖掘技术的准确性,提出了一种新的工作流频繁模式挖掘算法.首先,阐述了工作流模型依赖矩阵的定义,并利用工作流日志建立了依赖矩阵.然后采用活动间的依赖关系作为频繁项集,设计了一种基于依赖矩阵的频繁项集自动生成算法.最后对频繁项集进行处理,得到最终的工作流频繁模式.该算法能够处理活动间交叠关系和具有串、并行关系的工作流模型,因此更具优越性.     

一种发现复杂工作流结构的扩展α算法*

通过分析当前工作流挖掘中存在的多种复杂结构并存的问题,基于α**算法中对重复任务处理的方法,提出一种能够发现工作流日志中包含循环、重复以及非自由选择等复杂结构的算法。该算法首先对α**算法中对重复任务处理的方法进行改进,进而对非自由选择结构进行分析,给出判定非自由选择任务的方法,并用Petri网进行建模;最后对本算法进行了初步实现并验证其可行性。     

一种基于WF-Net中隐含任务的过程挖掘算法

首先分析WF-Net中存在的隐含任务问题,然后基于α算法,提出了能发现工作流日志中隐含任务的过程挖掘算法α＋＊＊。该算法利用任务间特定的相互依赖关系判定是否存在隐含任务,然后把隐含任务添加到对应的位置生成新日志。最后采用α算法从新日志中提取出工作流网。利用ProM对本算法进行了验证。     

工作流模型挖掘中改进的α算法

针对α算法在挖掘短循环结构等方面的不足,提出了一种改进的α算法.该算法先基于事件类型定义任务间序关系;然后依据这些关系逐渐缩小日志,推出序关系矩阵.最后据此矩阵借助形式化步骤生成工作流网.用一个案例解释了算法的执行过程并进行模拟实验,验证了该算法的可行性和有效性.实验结果表明,改进算法比α算法在处理模型结构、重发现模型种类以及挖掘质量上更具优势.     

流程增量挖掘中的模型更新方法

正确发现流程实际运作情况对工作流管理有着重要的意义.流程挖掘抽取系统日志信息,挖掘流程的真实运作模型.目前很多该方面的研究,着重于从一份日志中挖掘出工作流模型.然而,这些挖掘方法只关注日志信息,忽略了流程设计者的先验知识.而且,日志所包含信息量较大,进行一次挖掘耗费较大.因此,希望能结合已有工作流模型及新增日志信息,更新工作流模型.已有研究给出对模型及日志的增量挖掘算法.但是,业务流程会随着时间推移变更,可能已有的任务被取消了,因此在新增的一段日志中该任务没被记录.但由于该任务曾经在已有日志中记录下来,故应用已有挖掘算法或增量挖掘算法,在更新模型中,该任务也会被挖掘出来.提出了一种增量挖掘模型更新的改进算法.通过流程设计者的先验知识及统计任务出现的频率,判断该任务是否被取消.最后给出一个实验,验证算法的可行性.     

过程挖掘中一种能发现重复任务的扩展α算法

基于α-算法,提出了能发现工作流日志中重复任务的过程挖掘算法α**,并给出了正确性证明.该算法先通过机器学习的方法分析重复任务的性质,给出了判定重复任务的定理并证明了其正确性;然后使用这些定理判断并标识出日志中的所有重复任务;最后,采用α-算法从标识后的日志中提取出工作流网,并对其进行调整得到包含重复任务的工作流网模型.通过模拟实验验证了算法的有效性,与现有的重复任务挖掘方法的实验结果相比证实了文中提出的方法具有更高的效率.