使用循环神经网络对流程实例进行分类
机器学习
2019-02-05 v1 机器学习
摘要
过程挖掘由将运行系统创建的日志转化为过程模型的技术组成。在过程挖掘工具中，通常希望能够对正在进行中的流程实例进行分类，例如预测该流程还需多久完成，或仅基于该流程实例迄今已发生的活动将流程实例分类到不同类别。循环神经网络及其子类，如门控循环单元（GRU）和长短期记忆（LSTM），已被证明能够学习用于后续分类任务的相关时间特征。本文中我们将循环神经网络应用于流程实例分类。所提模型使用从事件日志轨迹中提取的带标签流程实例以监督方式训练。据我们所知，这是 GRU 首次被用于业务过程实例分类。我们的主要实验结果表明，GRU 在训练时间上显著优于 LSTM，同时给出与 LSTM 模型几乎相同的准确率。我们论文的另一贡献是通过过滤不频繁活动来改进分类模型训练时间，这是一种常用技术，例如在自然语言处理（NLP）中。
引用
@article{arxiv.1809.05896,
title = {Classifying Process Instances Using Recurrent Neural Networks},
author = {Markku Hinkka and Teemu Lehto and Keijo Heljanko and Alexander Jung},
journal= {arXiv preprint arXiv:1809.05896},
year = {2019}
}
备注
Proceedings of the BPM 2018 Workshops