基于图的事件日志修复

过程矿产中事件日志的质量对于应用其任何形式的分析至关重要。在现实事件日志中，数据获取并不总是容易的（例如，由于手动活动的执行以及相关的手动记录，或是为收集每个事件的所有属性存在问题），往往会导致以某些缺失信息记录事件。标准方法要么需要可用的过程模型，通过利用不同推理技术来填充缺失值，要么采用机器学习/深度学习模型通过从类似案例中学习来恢复缺失值。近年来，一种能够处理以图形编码输入数据的深度学习模型类型已出现，即图神经网络。图神经网络模型，尤其是异构图神经网络，具有优势在于它们能够处理像过程矿产中执行痕迹这样的复杂多模序列，允许更具表达性和语义丰富性的编码。在本文中，我们专注于开发一种异构图神经网络模型，该模型给定一个包含一些不完整事件的痕迹，将返回这些事件缺失的完整属性集合。我们在两个合成日志和四个真实事件日志上，对比了该方法与基于自编码器的一种最新方法，在不同类型的缺失值上进行了评估。与主要专注于修复部分事件属性的无模型方法不同，所提出的方法在重建不同事件属性方面表现出色。