专利交易市场

本发明公开了一种融合结构和行为特征的生产业务流程节点向量表征方法。该方法包括以下几个步骤：首先使用随机游走算法和Skip‑gram模型提取生产业务流程的结构特征，然后采用Skip‑gram模型提取生产业务流程的行为特征，最后引入深度玻尔兹曼机来融合生产业务流程的结构特征和行为特征，由此自动对生产业务流程的节点进行向量表征，萃取、融合多方面特征来提高节点向量表征的准确率，进而提高后续生产业务流程推荐、优化等任务的准确率。本发明的优点是：融合生产业务流程本身的图结构特征和基于历史执行日志的行为特征，利用深度学习技术强化生产业务流程模型，对单纯依赖历史执行日志的节点向量表征进行了补充和完善，提升节点向量表征的准确性。

本发明公开了一种基于ROUGE指标和LOF算法的业务流程不频繁行为挖掘方法，包括获取事件日志L，根据事件日志L计算轨迹数据的距离矩阵，获得每个轨迹数据的可达性矩阵，对于每个轨迹数据，计算局部可达密度，计算每个轨迹数据的LOF值，判断轨迹数据是否为不频繁行为。本发明从事件日志中提取事件轨迹、频率和标签等信息，并借鉴机器翻译领域的评估指标ROUGE作为轨迹之间的相似度度量指标，通过改进的LOF算法来挖掘不频繁行为。该方法综合考虑了局部密度、频率信息和轨迹之间的相似性。通过使用真实的事件数据评估，并与两种聚类方法进行比较实验。实验结果表明，该方法能够快速处理事件日志，从中识别出不频繁行为，提供可靠的不频繁行为挖掘结果。