[发明专利]一种基于卷积神经网络的业务流程推荐方法

说明书

技术领域

本发明属于业务流程建模及推荐技术领域，具体设计一种基于卷积神经网络的业务流程推荐方法。

背景技术

业务流程管理是现代企业信息化发展的重要组成部分，高效而精准的业务流程建模是现代企业在应对频繁变化的市场需求时的必然要求。由于人工建模复杂性较高并且需要投入大量的人力物力，所以业界对于辅助流程建模技术的需求日益迫切，业务流程推荐是目前国内外最有效的辅助流程建模技术之一。

虽然推荐系统已经被广泛运用于学术和工业领域，但是对于业务流程的推荐工作仍然是一个比较新的研究领域。基于流程管理的不同目的，目前国内外主要有两种类型的业务流程推荐系统：第一种是对已有的完整流程进行重用，即推荐结果是完整的业务流程；第二种是对于流程子图或节点进行重用，推荐的是流程子图或节点。

传统的业务流程推荐算法主要是基于相似度匹配的思想，其基本思想都是通过计算当前构建的流程子图与模式表中流程模型之间的距离，选择距离最小的候选节点推荐给建模人员。其中最有代表性的是基于图编辑距离(graph edit distance，GED)的推荐算法和基于字符串编辑距离(string edit distance，SED)的推荐算法。GED推荐算法采用图的编辑距离作为相似性度量方法进行推荐，该方法通过计算待推荐流程子图与流程模式表中所有流程模式的图编辑距离，将距离最小的流程模式对应的后续节点作为推荐结果；这种方法能够支持流程图中的并行模型，但由于GED的计算存在NP-hard问题，算法时间会随着图的节点个数的增加呈指数增长，推荐效率较低。SED推荐算法使用字符串编辑距离作为图相似性度量指标，该方法将流程图的最小DFS编码作为唯一标识，计算此标识的字符串编辑距离并基于此进行流程子图的匹配；这种方法虽然能够在一定程度上降低算法时间复杂度，但是不适用于对包含循环结构的流程进行匹配和推荐。

综合来讲，上述基于流程相似度匹配的推荐思路主要面临以下两大挑战：

(1)由于每次推荐需要与模式表中的所有流程模式进行比对计算距离，并对距离进行排序后作出推荐，因而导致推荐的时间复杂度很高，推荐实时性难以得到保证。

(2)由于基于距离”计算对图的结构有一定要求，对于图中包含复杂结构(如循环结构)的情况距离的数值意义不能很好的体现流程图间的相似性，从而导致推荐的平均准确率偏低。

发明内容

鉴于上述，本发明提供了一种基于卷积神经网络的业务流程推荐方法，能够适用于任何复杂结构的业务流程推荐问题，从而提高了平均推荐准确率；与此同时，该方法的推荐过程具有极小的时间复杂度，从而显著的增强了推荐的实时性。

一种基于卷积神经网络的业务流程推荐方法，包括如下步骤：

(1)获取一定数量的流程文件并对这些文件进行预处理，得到大量流程子图组成训练集；所述流程子图包括末节点以及由其余节点所组成的上游子图，所述上游子图用于特征训练，所述末节点的类型作为分类标签；

(2)对训练集中的上游子图进行数据标准化，得到对应初始特征矩阵；

(3)对初始特征矩阵进行基于矩阵变换的特征提取得到初始特征图；

(4)对初始特征图进行多层卷积核操作以挖掘初始特征图中的隐含特性，得到最终特征图；

(5)对最终特征图中每一行进行子采样并将采样结果组成训练样本，基于大量训练样本作为全连接神经网络的输入层，采用随机梯度下降算法对该神经网络进行训练从而得到分类模型，通过调用所述分类模型为实际业务流程子图推荐后续流程节点。

所述步骤(1)中对流程文件进行预处理的具体过程为：首先对流程文件中的节点进行语义分类标记，同时隐藏掉节点中的具体文字内容，将流程文件抽象成有向图；然后采用gSpan频繁子图挖掘算法对流程文件进行子图挖掘，得到大量流程子图。

所述步骤(2)中对上游子图进行数据标准化的具体过程为：首先对有向图形式表示的上游子图中的节点重新进行标记，即从0开始以自然数序列为顺序进行标记，并记录每个节点的原始类型；然后把重新标记后的有向图转化为邻接矩阵的形式，即得到对应初始特征矩阵，矩阵中值为1的位置表示对应的两个节点之间存在有向边相关联。