دوره 17، شماره 4 - ( 12-1399 )
جلد 17 شماره 4 صفحات 48-33 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
khojasteh F, Kahani M, Behkamal B. Concept drift detection in business process logs using deep learning. JSDP 2021; 17 (4) :33-48
URL: http://jsdp.rcisp.ac.ir/article-1-912-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-912-fa.html
خجسته فاطمه، کاهانی محسن، بهکمال بهشید. شناسایی رانش مفهومی در نگاره‌های فرایند کسبوکار با استفاده از یادگیری عمیق. پردازش علائم و داده‌ها. 1399; 17 (4) :33-48
گروه رایانه دانشگاه فردوسی
چکیده: (2567 مشاهده)
فرایندهای کسبوکار در دنیای واقعی بسیار پیچیده هستند و متناسب با تحولات محیطی دچار تغییر می‌شوند. این در حالی است که روشهای کشف فرایند پایه، قادر به شناسایی این تغییرات نیستند و تنها فرایندهای ثابت را تحلیل می‌کنند؛ از‌این‌رو، روشهایی به‌منظور شناسایی رانش مفهومی در فرایندهای کسبوکار مطرح شدند. همه روشهای موجود در این حوزه، با انتخاب ویژگیها و مقایسه آنها با استفاده از پنجره سعی در شناسایی این تغییرات دارد. انتخاب ویژگی مناسب و همچنین اندازه مناسب پنجره چالشهای اصلی این روش‌ها به‌شمار میآیند. در این پژوهش، با بیان مفهوم تعبیه دنباله که برگرفته از تعبیه واژه در دنیای پردازش زبان طبیعی است، روشی خودکار و مستقل از پنجره به‌منظور شناسایی رانش ناگهانی در نگاره‌های کسبوکار ارائه کرده‌ایم. استفاده از روش تعبیه دنباله، این امکان را فراهم میکند که انواع روابط میان دنبالهها و رویدادها را استخراج و رانش‌های موجود در فرایندها را شناسایی کنیم. ارزیابی‌ها نشان می‌دهد که روش پیشنهادی نسبت به روشهای موجود دقت بالاتر و تأخیر شناسایی رانش کمتری دارد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1397/7/18 | پذیرش: 1398/6/11 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4
دریافت: 1397/7/18 | پذیرش: 1398/6/11 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4
فهرست منابع
1. [1] W. Van Der Aalst, A. Adriansyah, A. K. A. De Medeiros, F. Arcieri, T. Baier, T. Blickle, et al., "Process mining manifesto", in International Conference on Business Process Management, vol. 37 No.3, pp. 169-194, 2011.
2. [2] M. U. Lavanya and M. S. K. Talluri, "Dealing With Concept Drifts In Process Mining Using Event Logs", International Journal Of Engineering And Computer Science, vol. 4, pp. 13433-13437, 2015.
3. [3] R. J. C. Bose, W. M. Van Der Aalst, I. Žliobaitė, and M. Pechenizkiy, "Dealing with concept drifts in process mining", IEEE transactions on neural networks and learning systems, vol. 25 No.1, pp. 154-171, 2014. [DOI:10.1109/TNNLS.2013.2278313] [PMID]
4. [4] J. C. Schlimmer and R. H. Granger, "Beyond Incremental Processing: Tracking Concept Drift", the Association for the Advancement of Artificial Intelligence, pp. 502-507, 1986.
5. [5] R. J. C. Bose, W. M. van der Aalst, I. Žliobaitė, and M. Pechenizkiy, "Handling concept drift in process mining", 23rd International Conference on Advanced Information Systems Engineering(CAiSE), London, UK, Springer, pp. 391-405, 2011. [DOI:10.1007/978-3-642-21640-4_30]
6. [6] H. Schonenberg, R. Mans, N. Russell, N. Mulyar, and W. van der Aalst, "Process flexibility: A survey of contemporary approaches", 4th International Workshop on Advances in Enterprise Engineering I, Springer, pp. 16-30, 2008. [DOI:10.1007/978-3-540-68644-6_2]
7. [7] J. Martjushev, R. J. C. Bose, and W. M. van der Aalst, "Change Point Detection and Dealing with Gradual and Multi-order Dynamics in Process Mining", 14th International Conference on Business Informatics Research, Tartu, Estonia, Springer, pp. 161-178, 2015. [DOI:10.1007/978-3-319-21915-8_11]
8. [8] R. Accorsi and T. Stocker, "Discovering workflow changes with time-based trace clustering" , International Symposium on Data-Driven Process Discovery and Analysis, Italy, Springer, pp. 154-168, 2011. [DOI:10.1007/978-3-642-34044-4_9]
9. [9] B. Hompes, J. Buijs, W. van der Aalst, P. Dixit, and J. Buurman, 2015, "Detecting Change in Processes Using Comparative Trace Clustering", the 5th International Symposium on Data-driven Process Discovery and Analysis (SIMPDA), Vienna, Austria , pp. 95-108.
10. [10] J. Carmona and R. Gavalda, "Online techniques for dealing with concept drift in process mining", 11th International Symposium on Intelligent Data Analysis, Finland, Springer, pp.90-102, 2012. [DOI:10.1007/978-3-642-34156-4_10]
11. [11] P. Weber, B. Bordbar, and P. Tiño, "Real-Time Detection of Process Change using Process Mining", ICCSW, United Kingdom, 2011.
12. [12] A. Maaradji, M. Dumas, M. La Rosa, and A. Ostovar, "Fast and accurate business process drift detection", the 13th International Conference on Business Process Management, Austria, Springer, pp. 406-422, 2015. [DOI:10.1007/978-3-319-23063-4_27]
13. [13] A. Maaradji, M. Dumas, M. L. Rosa, and A. Ostovar, "Detecting Sudden and Gradual Drifts in Business Processes from Execution Traces", IEEE Trans. Knowl. Data Eng., vol. 29, pp. 2140-2154, 2017. [DOI:10.1109/TKDE.2017.2720601]
14. [14] T. Li, T. He, Z. Wang, Y. Zhang, and D. Chu, "Unraveling Process Evolution by Handling Concept Drifts in Process Mining", in Services Computing (SCC), IEEE International Conference on, pp. 442-449, 2017. [DOI:10.1109/SCC.2017.63]
15. [15] A. Seeliger, T. Nolle, and M. Mühlhäuser, "Detecting Concept Drift in Processes using Graph Metrics on Process Graphs", Proceedings of the 9th Conference on Subject-oriented Business Process Management, 2017. [DOI:10.1145/3040565.3040566]
16. [16] M. Baroni, G. Dinu, and G. Kruszewski, "Don't count, predict! A systematic comparison of context-counting vs. context-predicting semantic vectors", ACL (1), pp. 238-247, 2014. [DOI:10.3115/v1/P14-1023]
17. [17] S. Deerwester, S. T. Dumais, G. W. Furnas, T. K. Landauer, and R. Harshman, "Indexing by latent semantic analysis," Journal of the American society for information science, vol.41, p. 391, 1990.
https://doi.org/10.1002/(SICI)1097-4571(199009)41:6<391::AID-ASI1>3.0.CO;2-9 [DOI:10.1002/(SICI)1097-4571(199009)41:63.0.CO;2-9]
18. [18] A. Mandelbaum and A. Shalev, "Word Embeddings and Their Use In Sentence Classification Tasks," arXiv preprint arXiv:1610.08229, 2016.
19. [19] T. Mikolov, W.-t. Yih, and G. Zweig, "Linguistic regularities in continuous space word representations", HLT-NAACL, Atalanta, USA, pp.746-751, 2013.
20. [20] Q. V. Le and T. Mikolov, "Distributed Representations of Sentences and Documents", ICML, Beijing, China, pp. 1188-1196, 2014.
21. [21] T. Mikolov, K. Chen, G. Corrado, and J. Dean, "Efficient estimation of word representations in vector space", arXiv preprint arXiv:1301.3781, 2013.
22. [22] T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, and J. Dean, "Distributed representations of words and phrases and their compositionality", the 27th Conference on Neural Information Processing Systems(NIPS), Nevada, United States, pp. 3111-3119, 2013.
23. [23] X. Rong, "word2vec parameter learning explained", arXiv preprint arXiv:1411.273, 2014.
24. [24] P. Ristoski and H. Paulheim, "Rdf2vec: Rdf graph embeddings for data mining", 15th International Semantic Web Conference(ISWC), Kobe, Japan, pp. 498-514, 2016. [DOI:10.1007/978-3-319-46523-4_30]
25. [25] M. Rahman, "Applications of Fourier transforms to generalized functions", WIT Press, 2011.
26. [26] S.-S. Ho, "A martingale framework for concept change detection in time-varying data streams", the 22nd international conference on Machine learning, Germany, ACM, pp. 321-327, 2005.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
