本文主要是介绍【过程发现算法2】Inductive Miner-InFrequency(基于频次的归纳式挖掘算法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Inductive Miner-Infrequency(基于频次的归纳式挖掘)是在上一节Inductive Miner的基础上进行改进的算法,由sander改进并完善,接下来,我们将详细地介绍这个算法。
1. 背景介绍
关于infrequent的解释:在大多数现实生活中的事件日志中,一些轨迹很少被采用,或者轨迹的不同之处仅在于不经常发生的活动。
如果模型中包含不常见的行为,可能会牺牲简单性(simplicity),如果模型中排除不常见的行为,可能会牺牲适合性(fitness)。幸运的是,帕累托原则(the Pareto principle,也称为8020规则)通常适用于事件日志。通常,80%的观察到的行为可以用一个模型来解释,这个模型只占描述所有行为所需模型的20%,80%模型展示了过程中的“高速公路”。
为了获得80%的模型,传统的方法是在发现模型之前对日志进行全局过滤。
在本文中,我们提出了这种方法的扩展,称为Inductive Miner - infrequent (IMi),旨在快速发现一个合理的80%模型。我们在IM的所有步骤中引入了不常见行为过滤器(infrequent behaviour filters),这样就可以在本地过滤不常见的行为。
2.算法介绍
具体做法:通过在IM的所有步骤中添加不常见的行为过滤器来引入IMi。
轨迹和事件的频率被IM忽略,但被IMi考虑在内,以区分频繁和不频繁的行为.
参数:K:表示用户定义的介于0和1之间的阈值,用于区分频繁和不频繁的行为
1.操作符上的过滤器和切割选择步骤;
2.基本案例上的过滤器
3.日志分割上的过滤器。
2.1 操作符上的过滤器和切割选择步骤
(1)启发式方法过滤
L1=[<a, b, c, a, b, e, >50, <a, b, f, e >100, <d, e, f >100, <d, f, e >100, <d, e, d, f >1]
说明:
IMi过滤只包含最频繁边的直接跟随图。如图a所示,与e的其他输出边相比,边(e,d)相对不频繁,所以边<e,d>被过滤掉。如果一个节点的输出边的频率小于该节点最强输出边的频率的k倍,则该节点的输出边太不频繁。在切割×、→和循环之前,在IMi中过滤掉所有不常见的边缘被过滤掉。
(2) 最终跟随关系图
L2=[<a, c, d, e, b>, <a, b, a, e , d, c>, <a, e, c, b, d>, <a, d, b, c, e >]
说明:如下图b所示, 由于b的所有输出边缘都具有频率1,因此k的任何值都不能过滤边(b,a)。
若采用图c的最终跟随图,则能有效地过滤掉边<b,a>。
类似于弱序关系,IMi使用最终跟随图,这是直接跟随关系的传递闭包:当且仅当a后面跟b在日志中的某处时,才存在边(a,b)。
2.2 基本案例上的过滤器
(1) 单个活动
说明:如图所示, 分割的子过程L1和L2重演一个过程模型,则存在如下问题:
在L1中,所有的轨迹都很频繁,(flower model)花型模型显然是最好的选择。然而,在L2中,只有<a>是频繁的,a最能代表频繁的行为。
选择任一选项都会影响质量维度:若选择<a>,L1会牺牲fitness,若选择一个花型模型,L2会牺牲精度precision。只有当日志每个轨迹中a的平均出现次数足够接近1(取决于相对阈值k)时,IMi才会发现a。
(2) 空轨迹
说明:事件日志L通过分割运算符得到三个子日志L1,L2,L3,子日志L2中存在一条空轨迹,其频次远远小于其他的轨迹的频次,如果不采用过滤,将会影响模型精度。
2.3 日志分割上的过滤器
说明:在日志上进行的分割,四个符号依次表示:选择、顺序、并发、循环,在日志层面四种切分运算符满足的格式如图中所示。
3.工具插件
(1)使用prom6运行的插件svn下载地址:prom - Revision 46111: /Packages/InductiveMinerDeprecated/Trunk (tue.nl)
运行插件界面图:
(2)使用pm4py调用Inductive Miner算法的链接地址:
PM4Py - Process Mining for Python (fraunhofer.de)
4.总结
IMi通过引入了不常见行为过滤器,将轨迹和事件的频次考虑在内,区分频繁和不频繁的行为,在三个层面上应用了行为过滤器,相比于基础的Inductive Miner,更能精准地发现过程模型。
参考文献:Leemans S J J, Fahland D, Van Der Aalst W M P. Discovering block-structured process models from event logs containing infrequent behaviour[C]//International conference on business process management. Springer, Cham, 2013: 66-78.
下一讲将介绍最基础的过程挖掘算法Heuristic Miner(启发式挖掘算法)。
如需进行相关的了解或者交流,欢迎私信或者加入QQ群:
这篇关于【过程发现算法2】Inductive Miner-InFrequency(基于频次的归纳式挖掘算法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!