一种挖掘业务过程隐变迁的新方法与流程

本发明属于信息技术领域，涉及过程模型中一种新的挖掘业务过程隐变迁方法，包括建立模块网、特征网的交互网和一种挖掘隐变迁的方法。

背景技术：

随着信息技术软件平台的不断成熟，以及流程应用领域的逐步扩展，业务流程挖掘变得越来越重要。流程挖掘旨在通过分析信息系统中记录的事件日志来改善业务流程模型。然而，在流程挖掘过程中，总会伴随着不可见任务的出现，例如，存在于流程模型中而不出现在执行事件日志中的隐变迁。为了更好的改善业务流程模型，挖掘不可见任务具有一定的意义。

对于挖掘隐变迁等不可见任务的方法，已有的算法计算量偏大且发现的流程模型中的行为多于或者少于事件日志的记录行为，这不能够准确地挖掘出业务流程模型中的隐变迁，本发明提出了利用域理论来挖掘隐变迁的新方法。该方法除了可以减少计算量，有效的避免过拟合或者低拟合的优点外，还能够准确地挖掘出业务流程模型中的隐变迁。

本发明以域理论为基础，提出了挖掘业务流程隐变迁的新方法。首先，通过给定执行事件日志，分别计算模块网、特征网的行为轮廓，依据行为轮廓、模块日志、特征日志，构建交互的模块网和特征网，可以得到交互初始petri网模型。然后，遍历初始模型，查询预变化区域的片段记录事件日志，构建变迁系统，查找潜在的隐域，建立含有隐变迁的片段子模型。依据映射关系，使片段子模型与初始模型交融，最后，挖掘出了隐变迁，用以更好的优化业务流程。

技术实现要素：

本发明所要解决的技术问题是：通过模块日志和特征日志，构建模块网与特征网的交互合成网，并在此基础上利用域理论来挖掘业务流程隐变迁，用以有效地优化模型。

为解决以上技术问题，本发明采用如下的技术方案：

对于从信息系统中提取到的事件日志le，le包含着不同模块的模块日志lμ及交互特征(事件)的特征日志lf进行预处理，去除不完备的事件轨迹，得到处理后的事件日志le′。

遍历处理过的每条日志轨迹τ1，τ2，…，τm∈le′，1≤m≤n，计算任意两个事件对(变迁对或者特征对)t¹,t²的行为轮廓关系(→、←、+、‖分别是严格序关系、逆严格序关系、排他序关系、交叉序关系)。

依据模块日志lμ和特征日志lf，分别构造模块网和特征网。它们之间完成交互功能，得到模块网与特征网的交互petri网。

查询交互petri网，找出片段模块区域，依据片段记录日志，计算其事件轨迹的状态表示函数，依此，把片段记录日志翻译为变迁系统。根据域的有关理论知识，查找变迁系统中的非平凡域(包括隐域)。

依据变迁系统及非平凡域(包括隐域即隐变迁的前域和后域)，构建包含隐变迁的片段子模型。构建规则为：每一个域对应一个库所，每一个事件对应一个变迁，具有初始标识。它们之间的流关系定义如下：事件属于域的后集当且仅当域是事件的前域，事件属于域的前集当且仅当域是事件的后域。

隐变迁的前域和后域，分别代表隐变迁的前库所和后库所，它们之间的流关系是从前库所流向隐变迁，从隐变迁流向后库所，并且片段子模型中的隐变迁用黑色标注。

利用映射关系，含有隐变迁的片段子模型与交互petri网融合，即挖掘出交互petri网中的隐变迁。

附图说明

图1是本发明的一种实施的流程图。

图2是本发明的模块网、特征网的交互网的建立步骤图。

图3是本发明的挖掘隐变迁的步骤图。

具体实施方式

本发明提出模块网、特征网的交互网的建立，并在此基础上，通过分析交互网的预片段部分，把片段执行日志转化成变迁系统，以域理论为基础，查找交互网中的隐变迁。

以下结合附图对本发明作进一步的说明。

图1是本发明的一种实施的流程，包括构建模块网、特征网的交互网和挖掘业务流程隐变迁。如图所示，通过分析给定执行事件日志，找出模块日志和特征日志，构建模块网、特征网的交互初始模型。查找片段模块变化区域，将预处理区域的片段记录事件日志转换成变迁系统，依据域理论，查找非平凡域(包含隐域)，构造含有隐变迁的片段子模型，使子模型与初始模型融合，挖掘出含有隐变迁的目标优化模型。

图2描述了构建模块网、特征网的交互网的步骤图，其中对执行事件日志进行预处理，去除不完备日志轨迹，并且找出模块日志和特征日志，计算两个事件的行为轮廓关系(是弱序关系，→、←、+、‖分别代表是严格序关系当且仅当逆严格序关系当且仅当排他序关系当且仅当交叉序关系当且仅当)。根据模块日志，构建模块网，依据特征日志，构建两个模块网之间的特征网。模块网、特征网进行交互形成交互网。

图3是挖掘隐变迁的步骤图，依据片段记录事件日志lr，σi＝＜e1,e2,…,en＞∈lr,i＝1,2,…,k是长度为n的日志轨迹，其中，em≠ej,m,j∈1,2,…,k。计算σ1,σ2,…,σk∈lr的状态表示函数:建立片段记录事件日志的变迁系统，基于域理论，查找出变迁系统的非平凡域(包含隐域即隐变迁的前域和后域)集，构建含有隐变迁的片段子模型，具体构建方式：每一个域对应一个库所，每一个事件对应一个变迁，且具有初始标识，只有初始库所中含有一个库所。它们之间的流关系定义如下：事件属于域的后集当且仅当域是事件的前域，事件属于域的前集当且仅当域是事件的后域。隐变迁的前域和后域，分别代表隐变迁的前库所和后库所，它们之间的流关系是从前库所流向隐变迁，从隐变迁流向后库所，并且片段子模型中的隐变迁用黑色标注。通过映射关系把含有隐变迁的片段子模型融入交互petri网模型中，挖掘出含有隐变迁的petri网优化模型。