面向自动化流程发现的未标注事件日志中关键属性的识别

流程挖掘从历史事件日志中发现并分析流程模型。现有方法利用隐藏于事件日志中的案例标识、活动与时间戳等关键属性作为发现流程模型的线索。然而,用户需手动指定这些属性,这可能是一项繁重的任务。本文提出一种两阶段关键属性识别方法以避免此类人工排查,从而向完全自动化流程发现迈进。其中一项挑战性任务是如何避免组合爆炸导致的穷举计算。为此,我们在第一阶段利用监督机器学习缩小各关键属性的候选范围,并在第二阶段通过发现流程模型并评估来识别关键属性的最佳组合。我们的计算复杂度可从 $\mathcal{O}(N^3)$ 降至 $\mathcal{O}(k^3)$,其中 $N$ 与 $k$ 分别为列数与我们在第一阶段保留的候选数,且通常 $k$ 远小于 $N$。我们使用 14 个公开数据集评估了该方法,结果表明即便 $k = 2$,我们的方法也能在约 20 秒内为许多数据集识别出关键属性。