基于單層神經(jīng)網(wǎng)絡(luò)的流程相似性的研究

蔡啟明，張 磊，許宸豪

南京航空航天大學(xué) 經(jīng)濟與管理學(xué)院，南京 211106

業(yè)務(wù)流程管理在企業(yè)走向數(shù)字化、信息化的過程中扮演著重要的作用，能夠顯著地提高公司的效率，其應(yīng)用場景包括員工培訓(xùn)、工作資料傳遞、項目歸檔等，但是廣泛的使用造成了業(yè)務(wù)流程模型數(shù)量的龐大，給企業(yè)的有效利用帶來挑戰(zhàn)。為了對現(xiàn)有流程更好的使用、分析、管理，公共組織或者大型企業(yè)開始建立流程倉庫，中國移動建立了一個超過40 000的業(yè)務(wù)流程倉庫；荷蘭政府保存有600個流程；德國政府嘗試建立能訪問和保存公共管理流程模型的平臺。

而僅僅建立流程庫無法滿足當(dāng)今快速變化的市場需求，為了更好地描述業(yè)務(wù)工作，迅速地構(gòu)建業(yè)務(wù)流程模型是企業(yè)實現(xiàn)業(yè)務(wù)流程管理的先決條件。傳統(tǒng)的流程建模方式完全仰賴建模人員自身的業(yè)務(wù)水平，需要建模人員具備豐富的領(lǐng)域知識、熟悉業(yè)務(wù)流程的執(zhí)行過程，以及應(yīng)對突發(fā)狀況的能力，使得人工建模需要耗費企業(yè)大量的人力物力。若能為建模人員推薦現(xiàn)有流程庫內(nèi)的相似流程，在已有流程的基礎(chǔ)上進行修改將大幅縮短建模周期，減少重復(fù)性工作，目前主流的業(yè)務(wù)流程推薦技術(shù)都是基于流程相似性的思想。

1 相關(guān)工作

近年來流程相似度計算的相關(guān)研究已經(jīng)取得了較好的成果，現(xiàn)有的方法可以歸為三類：

（1）基于文本內(nèi)容的流程相似性研究。該方法面向節(jié)點的文本內(nèi)容，包括語義相似性、字符串編輯距離等。Akkiraju等人[1]基于SAP標(biāo)準(zhǔn)化流程集，從流程與節(jié)點內(nèi)容的角度使用文本內(nèi)容相似性衡量業(yè)務(wù)流程的相似性。該方法忽略流程圖結(jié)構(gòu)的影響，面對相同的任務(wù)采用不同的圖結(jié)構(gòu)卻使用同樣的文本內(nèi)容時，該方法的可信度將無法保證[2]。

（2）基于流程圖結(jié)構(gòu)的流程相似性研究。針對該方法的研究較多，Deb等人[3]提出基于服務(wù)質(zhì)量的業(yè)務(wù)流程設(shè)計方法，該方法對服務(wù)質(zhì)量定量、定性，得到較好的業(yè)務(wù)流程模型的路徑。Fellmann等人[4]提出了過程建模推薦系統(tǒng)，對各過程逐個分析，完成流程建模工作。曹斌等人[5]從業(yè)務(wù)流程資源庫入手，運用圖挖掘方法對流程模式提取，基于近距離最大子圖優(yōu)先的流程匹配策略對參考流程與流程模式的相似性進行判斷。Huang等人[6]提出了一種基于業(yè)務(wù)流程圖結(jié)構(gòu)的兩階段流程搜索方法。基于圖結(jié)構(gòu)的相似度計算方法準(zhǔn)確度較高，但是由于在對流程圖結(jié)構(gòu)處理過程中會造成語義信息的丟失，以致于對流程行為之間的關(guān)系辨識能力較低。

（3）基于流程行為的流程相似性研究。該方法借助于流程的圖結(jié)構(gòu)，梳理節(jié)點之間的邏輯關(guān)系得到節(jié)點執(zhí)行序列，從而獲得行為信息。Takeru等人[7]提出一種基于點過程模型框架，并以數(shù)據(jù)驅(qū)動的方式構(gòu)建其模型，將在線活動回歸模型擬合到實驗數(shù)據(jù)完成流程建模。Jalali等人[8]提出一種混合的業(yè)務(wù)流程建模方法，它基于聲明性規(guī)則來處理必要的跨領(lǐng)域關(guān)注點和命令性業(yè)務(wù)流程模型。

上述針對三類方法的研究中，基于文本內(nèi)容的流程相似性忽略圖結(jié)構(gòu)的影響，可信度較低；基于圖結(jié)構(gòu)的相似性準(zhǔn)確度較高，相關(guān)的研究較多，但是存在語義信息丟失的情況；而基于流程行為的相似性計算方法更貼近現(xiàn)實過程中流程運行的真實情況，參考意義較高。所以本文從流程行為的角度出發(fā)，從流程系統(tǒng)記錄的日志數(shù)據(jù)中挖掘節(jié)點之間的行為信息，通過使用神經(jīng)網(wǎng)絡(luò)模型對日志數(shù)據(jù)進行訓(xùn)練，獲得每個節(jié)點的向量表達，進而描述整個業(yè)務(wù)流程結(jié)構(gòu)，計算業(yè)務(wù)流程間的相似性。

2 基本概念

本章將介紹本文中出現(xiàn)的相關(guān)概念，以便于更好地理解本文使用的方法。

業(yè)務(wù)流程是一組將輸入轉(zhuǎn)化為有價值的輸出的流程節(jié)點的有序集合。業(yè)務(wù)流程的表示方法有很多，包括WF-net、C-net、Process Tree等[9]，本文僅介紹Petri網(wǎng)。

定義1（Petri網(wǎng)）一個Petri網(wǎng)是一個三元組(P,T,F)，其中：

（1）P表示一個有限的庫所集；

（2）T是一個有限的變遷集(P?T=φ)；

（3）F=(P×T)?(T×P)是弧的集合。

Petri網(wǎng)中的庫所通常表示資源、條件，變遷則表示事件、活動、行為，如圖1所示，是一個包含5個庫所，6個變遷的流程模型。

圖1 用Petri網(wǎng)表示的流程模型Fig.1 Process model represented by Petri net

Petri網(wǎng)的基本結(jié)構(gòu)有4個[10]。順序結(jié)構(gòu)：模型內(nèi)的行為有嚴格的執(zhí)行順序，存在明顯的依賴關(guān)系，如圖2所示；選擇結(jié)構(gòu)：模型內(nèi)的行為具有排他性，不同的條件激發(fā)不同的行為，如圖3所示；并行結(jié)構(gòu)：模型內(nèi)的行為具有并行關(guān)系，在激發(fā)條件下可以并發(fā)執(zhí)行，如圖4所示；循環(huán)結(jié)構(gòu)：模型內(nèi)的特定行為在一定條件下多次執(zhí)行，如圖5所示。

圖2 順序結(jié)構(gòu)Fig.2 Sequence structure

圖3 選擇結(jié)構(gòu)Fig.3 Select structure

圖4 并行結(jié)構(gòu)Fig.4 Parallel structure

圖5 循環(huán)結(jié)構(gòu)Fig.5 Cyclic structure

定義2（獨立路徑）流程模型的獨立路徑是指從開始節(jié)點到結(jié)束節(jié)點的多次執(zhí)行中，每次至少有一個任務(wù)節(jié)點是未被執(zhí)行過的，即一條獨立路徑至少包含一條在其他獨立路徑中未有的邊[11-12]。

以圖1中的流程圖為例，其獨立路徑包括“a--b--d--e--f--g”“a--c--d--e--f--g”。

定義3（前驅(qū)節(jié)點集，后繼節(jié)點集）在一個Petri網(wǎng)(P,T,F)中，兩個節(jié)點n,m∈T之間存在路徑，當(dāng)且僅當(dāng)存在一系列節(jié)點n1,n2,…,n k∈N使得n1=n，n k=m，并且對i∈1,2,…,k-1均有(n i,ni+1)∈F成立，記作n?m。定義n的前驅(qū)節(jié)點集為{m|m?n}；n的后繼節(jié)點集為{m|n?m}。

定義4（日志）[13]設(shè)T是活動的有限集合，ε∈T?為一條活動序列，L∈B(T?)是一個流程執(zhí)行日志，其中T?表示集合T的Kleene閉包。

以圖1中Petri網(wǎng)表示的業(yè)務(wù)流程為例，T={a,b,c,d,e,f,g}，L=[＜a,b,d,e,f,g＞3,＜a,c,d,e,f,g＞2]是一個包含5個實例的執(zhí)行日志。

日志是系統(tǒng)對業(yè)務(wù)流程運行過程的客觀記錄，即工作流程系統(tǒng)運行時留下的軌跡，包含流程、組織、資源、成本、時間、參與者等流程運行狀況信息。在事件日志中，一個實例是業(yè)務(wù)流程的一次執(zhí)行過程，一個業(yè)務(wù)流程可以包含多個實例，而每個實例由多個有序的節(jié)點組成[14]。以圖1所表示的業(yè)務(wù)流程為例，其部分運行日志見表1。本文僅關(guān)注業(yè)務(wù)流程運行過程中的行為，因此，對日志進行簡化，簡化結(jié)果見表2。

表1 圖1流程的部分日志Table 1 Part log of process in Fig.1

表2 圖1流程的日志簡化形式Table 2 Simplified form of log in Fig.1

定義5（依賴關(guān)系）[15]設(shè)L為流程日志，T為日志L中所有任務(wù)的集合，?t1·t2∈T，在日志L中，任務(wù)t1的緊后任務(wù)t2執(zhí)行的次數(shù)記為 ||t1＞L t2，L(σ)為軌跡σ在日志L中出現(xiàn)的次數(shù)，其中：

|t1?L t2|是t1和t2的依賴關(guān)系值，其計算公式為（1）：

3 流程相似度的計算方法

相似度是對兩個事物的相似性的量化指標(biāo)，可以通過計算事物的特征之間的距離來衡量。如果距離小，那么相似度大；如果距離大，那么相似度小。比如兩種水果，將從顏色、大小、維生素含量等特征進行考慮。針對相似度度量的方式包括：歐式距離（Euclidean distance）、曼哈頓距離（Manhattan distance）、切比雪夫距離（Chebyshev distance）、閔可夫斯基距離（Minkowski distance）、漢明距離（Hamming distance）、余弦相似度（Cosine similarity）、皮爾森相關(guān)系數(shù)（Pearson correlation coefficient）、杰卡德相似系數(shù)（Jaccard similarity coefficient）及杰卡德距離（Jaccard distance）。

本文將業(yè)務(wù)流程進行向量表達，選擇余弦相似度來衡量流程之間的相似度，余弦值越大，代表向量之間的夾角越小，即相似度越高。本章將介紹業(yè)務(wù)流程的向量化表示方法，以及相似性計算公式。

3.1 基于行為的業(yè)務(wù)流程體系

流程相似性包括流程結(jié)構(gòu)的相似性與流程語義的相似性，根據(jù)第2章中的定義2中可知，業(yè)務(wù)流程的結(jié)構(gòu)包含順序、選擇、并行、循環(huán)4種，同時在每一個節(jié)點中都包含有行為信息，以致流程間相似性的量化較為復(fù)雜。為了簡化相似度量化的復(fù)雜性，本文提出了基于行為的業(yè)務(wù)流程體系。

基于行為的業(yè)務(wù)流程體系包括三部分：業(yè)務(wù)流程、獨立路徑與流程節(jié)點。流程節(jié)點是行為表現(xiàn)的最小單位，是構(gòu)成語義信息的最小組成部分，如圖6所示，流程B中包含a,b,c,d,e,f,g等7個節(jié)點；獨立路徑由多個流程節(jié)點有序組合形成，節(jié)點的行為構(gòu)成該條獨立路徑的語義信息，具有唯一性，該流程的獨立路徑包括兩條：＜a,b,d,e,f,g＞與＜a,c,d,e,f,g＞；業(yè)務(wù)流程面向具體的業(yè)務(wù)工作，是節(jié)點的有序組合，由于業(yè)務(wù)流程結(jié)構(gòu)的多樣性使得節(jié)點行為組合構(gòu)成了業(yè)務(wù)流程的語義信息，具有多樣性。

圖6 基于行為的業(yè)務(wù)流程體系Fig.6 Behavior-based business process system

根據(jù)對獨立路徑的定義，從開始節(jié)點到結(jié)束節(jié)點的多次執(zhí)行過程中，每次執(zhí)行至少有一個節(jié)點是其未被執(zhí)行過的，由于流程的執(zhí)行過程依賴其固有結(jié)構(gòu)，所以獨立路徑中不僅包含流程的部分語義信息，還包含流程的部分結(jié)構(gòu)屬性。據(jù)此可以得出結(jié)論：業(yè)務(wù)流程中所有獨立路徑的集合可以表達流程的完整語義信息。

3.2 業(yè)務(wù)流程的向量表達

本文采用獨熱編碼對流程節(jié)點進行向量化表達。獨熱編碼也稱一位有效編碼，使用V位狀態(tài)寄存器來對V個狀態(tài)進行編碼，每個狀態(tài)都有獨立的寄存器位，任意時刻有且只有一位有效。例如：針對圖6中的流程B，流程庫內(nèi)的節(jié)點集T={a,b,c,d,e,f,g}，則V=7，那么a表示為向量(1,0,0,0,0,0,0)，b表示為向量(0,1,0,0,0,0,0)，依此類推。

獨立路徑的語義信息由節(jié)點行為構(gòu)成，本文將節(jié)點向量相加表示獨立路徑的向量。針對任意一條包含n個節(jié)點的獨立路徑，第i個節(jié)點的向量為t i(i=1,2,…,n)，該獨立路徑的向量為

業(yè)務(wù)流程結(jié)構(gòu)上是流程節(jié)點的集合，語義信息是由獨立路徑構(gòu)成，本文采用加權(quán)平均的方式將獨立路徑的向量組合表達為流程向量。以包含m條獨立路徑的流程為例，第j條獨立路徑的向量為r j(j=1,2,…,m)，N j為日志數(shù)據(jù)中第j條獨立路徑的執(zhí)行次數(shù)，N為實例ID數(shù)，該流程的向量為

因此，兩個流程process1與process2之間的相似度計算公式為：

當(dāng)節(jié)點集合較多的時候，獨熱編碼的方式將增大向量的稀疏性，對相似度的計算造成誤差，為了解決這個問題，需要將節(jié)點向量映射到低維連續(xù)空間中表示。

3.3 基于神經(jīng)網(wǎng)絡(luò)模型的節(jié)點向量映射

本節(jié)根據(jù)節(jié)點之間的依賴關(guān)系建立節(jié)點之間的函數(shù)關(guān)系，將記載業(yè)務(wù)流程行為軌跡的日志數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，將節(jié)點向量映射到低維空間中。

節(jié)點組合構(gòu)成了獨立路徑的唯一性，根據(jù)第2章定義6可知，節(jié)點之間存在著依賴關(guān)系，本質(zhì)是行為之間存在著依賴關(guān)系，節(jié)點作為行為表現(xiàn)的最小單位，其前驅(qū)節(jié)點集的共同作用導(dǎo)致了該節(jié)點的執(zhí)行，因此針對路徑σ，其n個節(jié)點的向量為：t1,t2,…,t n，對于任意節(jié)點向量t x：

同時其后繼節(jié)點集的執(zhí)行依賴于該節(jié)點的執(zhí)行，即：

將兩個函數(shù)關(guān)系進行組合，α與β是兩個常數(shù)

(α+β=1)：

那么存在常數(shù)γ：

據(jù)此，構(gòu)建包含輸入層、映射層、輸出層的神經(jīng)網(wǎng)絡(luò)模型，如圖7所示，因此在該路徑軌跡σ中，將t1,t2,…,t x-1,t x+1,t x+2,…,t n作為模型的輸入，流程庫內(nèi)節(jié)點個數(shù)為V，整個計算過程如下：

圖7 單層神經(jīng)網(wǎng)絡(luò)模型Fig.7 Single layer neural network model

步驟1采用獨熱編碼初始化節(jié)點向量。路徑中節(jié)點的向量為：t1,t2,…,t n，每個向量長度為V。

步驟2輸入層與映射層之間的權(quán)重矩陣為W(H×V)，其中H為映射層向量的長度，且H＜V，那么映射層的向量h為：

步驟3映射層與輸出層之間的權(quán)重矩陣為W′(V×H)（矩陣W與矩陣W′無關(guān)），與向量h相乘為：

u長度為V：

通過softmax函數(shù)，節(jié)點t在路徑軌跡σ(t)中執(zhí)行的概率為：

其中i t為節(jié)點t在流程庫內(nèi)得索引。

步驟4更新權(quán)重矩陣。訓(xùn)練過程的目標(biāo)是獲得節(jié)點t x的概率最大，那么損失函數(shù)E為：

將損失函數(shù)對ui求偏導(dǎo)，即為預(yù)測節(jié)點為流程庫中第i個節(jié)點的概率值與待預(yù)測節(jié)點向量中的第i個分量的差值e i：

損失函數(shù)E對權(quán)重矩陣W′中第i行，第j列的權(quán)重w＇ij求偏導(dǎo)：

其中h j為向量h的第j個分量，的更新公式為：

其中，η＞0為學(xué)習(xí)率。

損失函數(shù)E對h j求偏導(dǎo)：

EH表示流程庫內(nèi)所有節(jié)點的輸出向量與預(yù)測誤差的和。損失函數(shù)E對權(quán)重矩陣W第j行，第k列的權(quán)重w jk求偏導(dǎo)，經(jīng)過整理得到w jk的更新公式：

在訓(xùn)練完成之后，將每個節(jié)點向量與訓(xùn)練好的參數(shù)矩陣W相乘，得到節(jié)點在映射層的低維連續(xù)向量，在此基礎(chǔ)上，計算業(yè)務(wù)流程的向量形式，按照公式（2）計算流程之間的相似性，本文在第4章給出了實驗分析與相關(guān)的應(yīng)用。

4 實驗分析

本章將對本文提出的流程相似性的度量方法進行實驗驗證。首先簡要描述進行實驗的環(huán)境配置，其次介紹實驗數(shù)據(jù)集、實驗的方法以及相關(guān)的評價標(biāo)準(zhǔn)，最后分析實驗結(jié)果并給出該方法在流程推薦領(lǐng)域的應(yīng)用。

4.1 實驗環(huán)境

實驗環(huán)境包括硬件配置與硬件環(huán)境兩部分：

（1）硬件部分。處理器：AMD Ryzen 5-3550H，主頻2.1 GHz，內(nèi)存：16 GB。

（2）軟件部分。操作系統(tǒng)：Windows10家庭版，64位操作系統(tǒng)；算法描述語言：Python3.7.4；算法依賴包括：numpy、pandas、matplotlib。

4.2 實驗數(shù)據(jù)與方法

經(jīng)過查閱相關(guān)文獻，本文選擇了周長紅等人[16]在研究過程中分享到GitHub上的數(shù)據(jù)進行實驗驗證。該數(shù)據(jù)集包括有業(yè)務(wù)流程以及對應(yīng)的流程日志，以一個真實的保險理財申請流程P0為基礎(chǔ)，如圖8所示，采用多種方式構(gòu)造了13個流程的變體，見表3。13個流程的日志數(shù)據(jù)由日志生成工具（PLG）生成。

圖8 原始流程P0Fig.8 Original process P0

表3 變體流程信息Table 3 Variant processes information

本文按照所提出的方法對P1～P13流程的日志數(shù)據(jù)進行訓(xùn)練，獲得節(jié)點的低維連續(xù)向量形式，結(jié)合各流程獨立路徑在日志數(shù)據(jù)出現(xiàn)的頻率計算出業(yè)務(wù)流程的向量形式，根據(jù)公式（2）計算P1～P13與P0之間的相似度，進行排序，與周長紅等人[16]給出的基準(zhǔn)排序進行比較。

4.3 實驗結(jié)果分析

為了直觀地展示所提出算法的準(zhǔn)確率，實驗選取文獻[16]提出的weight business process graph（WBPG）算法、文獻[17]提出的matrix distance similarity（MDS）算法、文獻[18]提出的graph edit distance（GED）算法與本文的算法進行比較，計算13個變體流程與P0的相似度，結(jié)果如表4所示。

表4 不同算法的實驗結(jié)果Table 4 Experimental results of different algorithms

由于每種算法采用的相似度計算方法不同，導(dǎo)致結(jié)果也不相同，所以按照各算法的相似度值大小對13個變體流程排序，周長紅等人[16]公開的成功中也給出了15位領(lǐng)域?qū)＜野凑誔1～P13與P0之間相似性大小的排序結(jié)果，以及對應(yīng)流程變體的權(quán)重，將該排序結(jié)果作為標(biāo)準(zhǔn)排序，得到如表5所示的排序結(jié)果。

表5 相似度排序結(jié)果Table 5 Results of similarity ranking

本文選擇歸一化折損累計增益（normalized discount cumulative gain，NDCG）對算法的準(zhǔn)確率進行評估。NDCG是一種常用的評價排序、搜索算法的方法，其計算公式如下：

式中，DCG n表示某給定業(yè)務(wù)流程模型與n個相關(guān)流程的折損累計增益；r(n)表示排在第n個位置的流程的權(quán)重，即計算出的排序結(jié)果的DCG值；IDCGn表示標(biāo)準(zhǔn)排序內(nèi)流程與n個相關(guān)流程的理想折損累計增益，即排序的理想情況下的DCG值（IDCG）。由公式（7）和（8）可知，算法的排序準(zhǔn)確率越高，DCG與IDCG越接近，NDCG越大。

經(jīng)計算，標(biāo)準(zhǔn)排序的IDCG為4.167，根據(jù)表5內(nèi)各個算法的排序結(jié)果，計算對應(yīng)的DCG值，進而得到NDCG值，計算結(jié)果如表6所示。

表6 不同算法排序結(jié)果的DCG與NDCGTable 6 Results of DCG and NDCG of different algorithms ranking

本文算法計算出相似度最高的5個流程與標(biāo)準(zhǔn)排序相同，比其余3種算法都更由優(yōu)勢，基于流程相似性思想的流程建模推薦技術(shù)尤其關(guān)注排序排名較高的流程，而歸一化折損累計增益的計算公式也決定了該評價方法更關(guān)注排名靠前的結(jié)果。由表6可以看出，本文方法相對于其他3種方法準(zhǔn)確率更高。

4.4 實際應(yīng)用

傳統(tǒng)的流程建模方式完全仰賴建模人員自身的業(yè)務(wù)水平，需要建模人員具備豐富的領(lǐng)域知識、熟悉業(yè)務(wù)流程的執(zhí)行過程，以及應(yīng)對突發(fā)狀況的能力，使得人工建模需要耗費企業(yè)大量的人力物力。因此，基于已有流程輔助的半自動化流程建模方法受到廣泛的青睞，流程推薦是針對當(dāng)前的業(yè)務(wù)流程片段，通過對已有業(yè)務(wù)流程的分析，為建模人員推薦后續(xù)可能執(zhí)行的業(yè)務(wù)活動。當(dāng)前主流的流程推薦方法都是基于流程相似性的思想，該類方法通過計算待推薦流程片段與已有流程的相似性，將相似性較高的流程推薦給建模人員，但是該方法當(dāng)面對獨立路徑較多的業(yè)務(wù)流程時無法保證推薦的準(zhǔn)確率。

鑒于上述原因，本節(jié)構(gòu)建基于本文所提方法的流程建模系統(tǒng)，如圖9所示。將相似性的計算從業(yè)務(wù)流程層次轉(zhuǎn)向獨立路徑，獲取待推薦系統(tǒng)的獨立路徑，與現(xiàn)有流程的獨立路徑進行相似度比較，相較于基于流程相似性的方法，準(zhǔn)確率更高，靈活性更強。該系統(tǒng)包含3個主要模塊。

圖9 流程建模推薦系統(tǒng)Fig.9 Process modeling recommendation system

（1）企業(yè)數(shù)據(jù)處理模塊。該模塊的詳細過程見3.3節(jié)，此處僅簡要說明。該階段分為3個步驟：

步驟1流程節(jié)點編碼。采用獨熱編碼初始化流程庫內(nèi)節(jié)點的向量。

步驟2模型訓(xùn)練階段。構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，以日志數(shù)據(jù)中的流程軌跡為訓(xùn)練集，訓(xùn)練模型。

步驟3計算節(jié)點向量。將訓(xùn)練好的模型中輸入層與映射層的權(quán)重矩陣與初始化向量相乘獲得低維連續(xù)的節(jié)點向量。

（2）待推薦流程處理模塊。本階段的工作包括3個步驟：

步驟1獲取待推薦流程片段的所有獨立路徑。設(shè)流程片段中包括z個待推薦路徑：σre1，σre2，…，σrez。

步驟2獨立路徑檢索。待推薦路徑σrei(i=1,2,…,z)的末端節(jié)點為σrei[end]，在流程庫內(nèi)搜索包含節(jié)點σrei[end]的獨立路徑。

步驟3獨立路徑切割。以待推薦路徑σre i為例，設(shè)包含節(jié)點σr ei[end]的獨立路徑有y個：σ1，σ2，…，σy，對y個獨立路徑進行切割，如將獨立路徑σk(k=1,2,…,y)切割，僅保留從開始節(jié)點到節(jié)點σrei[end]的路徑，即σk[1:jσk,σrei[end]]，其中jσk,σrei[end](k=1,2,…,y)為獨立路徑σk中節(jié)點σrei[end]的索引。

（3）節(jié)點推薦階段。該階段分為3個步驟：

步驟1計算路徑相似度。計算第i條待推薦路徑σrei與流程庫中包含其末端節(jié)點σre i[end]的第k條經(jīng)切割后的路徑σk[1:jσk,σrei[end]]之間的余弦相似度，記為similarity＜σrei,σk[1:jσk,σrez[end]]＞。

步驟2對路徑間相似度的計算結(jié)果從大到小排序。

步驟3構(gòu)建推薦節(jié)點集合。根據(jù)排序結(jié)果，與待推薦路徑σrei相似度最高的路徑為σtar[1:jσtar,σrei[end]]，那么對應(yīng)未切割的獨立路徑為σtar，則待推薦路徑σrei的推薦節(jié)點即為該路徑中待推薦路徑末端節(jié)點的下一個節(jié)點σtar[jσtar,σrei[end]+1]。

計算出每一個待推薦路徑的節(jié)點后構(gòu)成集合推薦給建模人員，建模人員在完成新流程后輸入流程庫內(nèi)。

5 結(jié)論

針對流程相似性的研究多集中于流程圖結(jié)構(gòu)，卻忽略了流程語義的相似性，本文從業(yè)務(wù)流程實際執(zhí)行過程的角度出發(fā)，構(gòu)建基于行為的流程體系，將流程的復(fù)雜結(jié)構(gòu)轉(zhuǎn)化為獨立路徑，同時包含流程的行為屬性，最后將獨立路徑分解為流程節(jié)點。采用獨熱編碼表示節(jié)點的初始向量，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型對節(jié)點向量的訓(xùn)練，獲得低維連續(xù)的向量，進而表示流程向量，通過向量間的余弦相似度表示流程間的相似程度，通過實驗計算該方法的準(zhǔn)確率達到99.59%。

本文嘗試將人工智能技術(shù)應(yīng)用到流程相似性的度量中，取得了較好的準(zhǔn)確率，并且給出了在流程推薦領(lǐng)域的應(yīng)用形式。但是本文存在一定局限性：該方法對日志數(shù)據(jù)量要求較大，當(dāng)數(shù)據(jù)量較少時，無法保證其準(zhǔn)確性；其次，應(yīng)用在流程節(jié)點推薦領(lǐng)域時，如果建模人員輸入的流程片段中存在流程倉庫沒有的節(jié)點，會導(dǎo)致該方法推薦的準(zhǔn)確率無法保證。所以，后續(xù)工作將著重針對這兩方面進行研究。