基于支持向量机的Web日志用户标志修正算法

针对用户删除Cookie导致的Web日志用户标志不准确的情况,提出了一种基于支持向量机的用户标志修正算法。首先训练一个分类器判断两个会话是否属于同一个用户,然后计算两个不同标志用户之间的相似度,最后将日志进行分组,发现所有删除Cookie的用户并进行标志的修正。通过实验验证了算法的有效性。     

业务过程模型库索引技术

为了有效管理数量庞大的业务过程模型,提高检索效率,分析了实际业务过程模型的特点,分析比较了已有的图数据库索引技术和业务过程模型检索的已有研究成果,结果表明,BeehiveZ系统能比较好地结合业务过程模型的特点进行检索,但还需要在嵌套模型检索和基于双互向模拟的模型相似性度量方面开展进一步的工作。     

PLM系统中业务对象版本操作合规性检查的自动实现

分析了企业实施产品全生命周期管理系统时对业务过程中产品的版本操作与产品版本操作生命周期一致性的要求,介绍了版本操作合规性问题,并从语法合规性规则和行为合规性规则两方面进一步阐述了相应的解决方案,详细介绍了版本操作合规性检查方案的实现框架。采用问卷调查研究方法,收集问卷反馈信息,进一步验证了所研究问题在产品全生命周期管理领域的现实性,所提出的解决方案具有可行性,所开发的工具具有很强的应用推广价值。     

基于代理的工作流邦联及子流调用框架

在分析层次工作流建模和工作流执行时互操作研究的基础上,设计了一个基于代理的邦联及子流调用框架,将层次化建模技术、流程互操作技术和异构数据模型映射和转换技术集成在一起,同时提供了异常处理和灾难恢复功能,真正从业务层次上解决了流程协作问题,并在TiPLM2.9上实现了该解决方案.流程实例之间通过代理进行交互,各个流程独立运行在自己的工作流引擎中,实现了松耦合和隔离性,增强了系统健壮性.     

工作流资源分配中约束规则的建模研究

传统工作流系统在对任务节点进行资源分配时,只进行了组织、角色、人员的分配,而较少对不同任务节点上执行人间的潜在关系进行建模.根据企业的实际应用需求,将这种潜在的约束关系提取出来进行建模,并以规则的形式进行定义.最后采用强有力的推理工具--规则引擎--来完成对定义的规则冲突检测以及规则的实现.     

工作流管理系统监控粒度划分机制研究*

监控是一种系统级权限,而各基层骨干无权对系统进行细粒度的监控。该限制使得监控功能在组织中的作用范围大大降低。针对此需求,提出了深入到流程级、最小粒度达到活动级的流程监控机制。     

BeehiveZ:一个开放的业务过程模型管理框架

随着面向服务架构、业务过程管理技术的推广应用,企业中用建模语言描述的业务过程模型越来越多,这些模型描述了企业核心的业务逻辑,是企业最宝贵的知识资产.为了更好地促进企业的发展,提升竞争力,需要将这些业务过程模型作为数据进行有效地管理、建立企业过程模型库,并支持对过程模型的存储、浏览、相似性度量、检索等操作和应用开发.提出了一个开放的业务过程模型管理框架--BeeHiveZ,阐述了BeeHiveZ的体系结构、关键技术及系统功能与操作等内容.BeeHiveZ现已在开源软件社区SourceForge. net上发布.     

工作流管理系统中一种概率性分析和调整时间约束的方法

时间管理是工作流管理系统应提供的重要功能,其中一个关键问题是分析时间约束的可行性,并调整时间约束以避免可能出现的违反.然而,在高度不确定的工作流环境下,传统定性的时间约束分析结果过于严格.因此,提出概率时间约束工作流网来描述时间约束下的工作流流程.基于该网提出一种方法,以随机的形式分析活动满足时间约束的概率.该概率能帮助流程管理者灵活地分析时间约束的可行性,进一步为时间约束调整提供精确的指导.此外,用一个实际工作流管理系统中的例子验证工作的有效性.     

基于结构关系的过程模型推荐方法

目前已有的大部分过程模型推荐方法无法处理诸如循环相互交叠和不可见任务等复杂结构,也无法处理具有大量过程模型和活动节点的大数据集。此外,这些推荐方法在正确率和效率方面仍有很大的提升空间。由此,提出一种基于前驱活动序列和后继活动节点之间结构关系的推荐方法。该方法首先对所有业务过程模型中的不可见任务进行打标。然后,在指定关系集合中所需要的前驱活动序列长度之后,提取3种记录前驱活动序列和后继活动节点之间关系的关系集合。最后,使用提取出的关系集合推荐适当候选活动节点。实验结果证明,该方法能够处理复杂结构、不可见任务和大数据集,且在正确率和效率方面均领先于目前最好的方法。     

一种预测流程剩余时间的可解释特征分层方法

流程剩余时间预测对于业务异常的预防和干预有着重要的价值和意义.现有的剩余时间预测方法通过深度学习技术达到了更高的准确率,然而大多数深度模型结构复杂难以解释预测结果,即不可解释问题.此外,剩余时间预测除了活动这一关键属性还会根据领域知识选择若干其他属性作为预测模型的输入特征,缺少通用的特征选择方法,对于预测的准确率和模型的可解释性存在一定的影响.针对上述问题,提出基于可解释特征分层模型(explainable feature-based hierarchical model,EFH model)的流程剩余时间预测框架.具体而言,首先提出特征自选择策略,通过基于优先级的后向特征删除和基于特征重要性值的前向特征选择,得到对预测任务具有积极影响的属性作为模型输入.然后提出可解释特征分层模型架构,通过逐层加入不同特征得到每层的预测结果,解释特征值与预测结果的内在联系.采用LightGBM (light gradient boosting machine)和LSTM (long short-term memory)算法实例化所提方法,框架是通用的,不限于选用算法.最后在8个真实事件日志上与最新方法进行比较.实验结果表明所提方法能够选取出有效特征,提高预测的准确率,并解释预测结果.