(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111218652.9 (22)申请日 2021.10.20 (71)申请人 上海望繁信科技有限公司 地址 201203 上海市浦东 新区中国 （上海） 自由贸易试验区郭守敬路498号8幢19 号楼3层 (72)发明人 王亮　李进峰　索强　 (74)专利代理 机构 北京喆翙知识产权代理有限 公司 11616 代理人 曹利华 (51)Int.Cl. G06Q 10/10(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于因果并发网的流 程挖掘系统 (57)摘要 本发明公开了一种基于因果并发网的流程 挖掘系统， 包括： 直接相关模型挖掘引擎， 直接相 关模型挖掘引擎通过输入的任务流程日志挖掘 节点和节 点之间的相关关系， 通过任务流程日志 转化并建立直接相关模型； 依赖性挖掘引擎， 依 赖性挖掘引擎基于直接相关模型， 挖掘输入的任 务流程日志中任意两个有直接相关关系的事件 之间的依赖性关系， 建立依赖性系数矩阵数据； 窗口扫描引擎， 窗口扫描引擎通过挖掘输入的任 务流程日志， 获取直接相关模型中的每个节点的 前后事件序列。 该基于因果并发网的流程挖掘系 统， 为后续包含 更多信息的模型提供了模型框架 基础， 对于流程变体的识别更加详尽， 考虑地更 “长远”， 保证了因果并发网模型的数据准确性以 及可参考性。 权利要求书1页 说明书5页 附图3页 CN 113947374 A 2022.01.18 CN 113947374 A 1.一种基于因果并发网的流 程挖掘系统， 其特 征在于， 包括： 直接相关模型挖掘引擎， 所述直接相关模型挖掘引擎通过输入的任务流程日志挖掘得 到节点和节点之间的相关 关系， 且其 通过输入的任务 流程日志转 化并建立 直接相关模型； 依赖性挖掘引擎， 所述依赖性挖掘引擎基于直接相关模型， 通过挖掘输入的任务流程 日志中任意两个有直接相关 关系的事 件之间的依赖性关系， 建立依赖性系数矩阵数据； 窗口扫描引擎， 所述窗口扫描引擎通过挖掘输入的任务流程日志， 获取直接相关模型 中的每个节点的前后事 件序列； 因果并发网模型挖掘引擎， 所述因果并发网模型挖掘引擎基于直接相关模型挖掘引擎 转化并建立的直接相关模型、 依赖性挖掘引擎挖掘建立的依赖性系数矩阵数据以及窗口扫 描引擎找出的每 个节点的前后序列挖掘并输出因果并发网模型。 2.根据权利要求1所述的一种基于因果并发网的流程挖掘系统， 其特征在于： 所述依赖 性挖掘引擎中依赖性关系认定规则为： 若两个事件之间的依赖性系数较高， 则认为两个事件的因果性更高， 则容易判断为串 行关系； 如两个事件之间的依赖性系数较低， 则认为两个事件不存在先后关系， 则容易判断为 并行关系。 3.根据权利要求1所述的一种基于因果并发网的流程挖掘系统， 其特征在于： 所述窗口 扫描引擎对输入的任务流程日志和直接相关模型扫描全量流程变体， 提取每个节点的所有 前后序列。 4.根据权利要求1所述的一种基于因果并发网的流程挖掘系统， 其特征在于： 所述因果 并发网模型挖掘引擎通过直接相关模型、 每个节 点的前后序列以及依赖性关系列 表挖掘前 后序节点的并发性关系， 并输出因果并发网模型。权　利　要　求　书 1/1 页 2 CN 113947374 A 2一种基于因果并发网的流程挖掘系统 技术领域 [0001]本发明涉及流 程挖掘技 术领域， 具体为 一种基于因果并发网的流 程挖掘系统。 背景技术 [0002]目前， 有些企业本身部门系统较复杂， 经过较长时间的实际运营后， 实际业务流程 已经与一开始的规定流程大相径庭， 因此管理者并不了解实际的业务流程。 所以需要流程 挖掘系统来从企业的实际业 务流程数据中挖掘出真实的流 程模型； [0003]其中流程挖掘： 英文名Process  Mining， 是一种通过IT系统中的任务日志， 建立一 个基于真实数据的流 程模型， 提高商业 流程透明度的， 为商业决断者 提供帮助的技 术； [0004]现有的流程挖掘手段(例如Alpha  Miner和Inductive  Miner等)在考虑某节点前 后序事件并发性时只能考虑其直接相连的事件的并发性， 不能考虑到这些事件没有连续 发 生的情况 下的并发性； [0005]Alpha Miner是最早的流程挖掘算法之一， 核心思想非常朴素， 直接将multiset转 化为Petri网落。 步骤： 1.Event  log转化为Mu ltiset； 2.从Mu ltiset中直接相连的事件中挖 掘跟随、 并发和无关三种关系； 3.然后将这 三种关系一 一映射为Petri网中的事 件和标池。 [0006]而Alpha Miner虽然算法思想直观容易 理解， 计算量小， 但当一些 并发事件不直接 相连时无法挖掘出其中的并发关系， 因此导致模型准确度不高， 同一个流程不同时段的数 据往往会得到不同的流 程模型； [0007]此外， Inductive  Miner虽然挖掘出的流程树模型相比于A lpha Miner更具有通用 性， 但其为了完成修剪操作， 实际应用中往往会加入许多隐形事件( τ )， 给流程模型曾加了 不必要的复杂性； [0008]同时， 现有的流程挖掘手段(例如A lpha Miner和Induct ive Miner等)在考虑某节 点前后序事件并发性时只能考虑其直接相连的事件的并发性， 不能考虑到这些事件没有连 续发生的情况下 的并发性。 以说明书附图7所举的流程为例， 假设处理发票之后， 核对合同 条款和请求缺失数据是应当 同时发生的， 且没有固定的先后关系， 那么流程中的另一个事 件已检查并批准有可能发生在这两个事件之间， 那么会就有可能出现以下几种流程变体 {(核对合同条款,请求缺失数据,已检查并批准),(核对合同条款,已检查并批准,请求缺失 数据),(请求缺失数据,已检查并批准,核对合同条款),(请求缺失数据,核对合同条款,已 检查并批准),(已检查并批准,核对合同条款,请求缺 失数据),(已检查并批准,请求缺失数 据,核对合同条款)...}。 在当前已有的流程挖掘算法中(如alpha  miner和inductive   miner等)能够挖掘出(请求缺 失数据,核对合同条款,已检查并批准),(已检查并批准,请求 缺失数据,核对合同条款)}两种情况， 但对于其 他情况则无法识别。 [0009]因此， 我们提出一种基于因果并发网的流程挖掘系统， 以便于解决上述中提出的 问题。说　明　书 1/5 页 3 CN 113947374 A 3