基于角色加权关联规则的角色与活动的智能工作流的生成方法专利检索-流程图企业组织专利检索查询-专利查询网

基于角色加权关联规则的角色与活动的智能工作流的生成方法

阅读：790发布：2020-09-10

专利汇可以提供基于角色加权关联规则的角色与活动的智能工作流的生成方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于角色加权关联规则的角色与活动的智能工作流的生成方法，包括：S1、基于角色的重要度和频繁度对不同角色进行加权；S2、对业务系统运行日志进行数据挖掘，基于各活动的角色加权关联规则获得活动和角色二维流程频繁集；S3、将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。实施本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法可以从两方面提高工作效率，(1)可自动生成智能型工作流，提高系统管理的效率；(2)且所述智能工作流中的各节点包含角色和活动，所述工作流在系统运行过程中将无需人工干预，工作流自动流转，因此可以提高业务系统运行工作效率，避免操作失误。，下面是基于角色加权关联规则的角色与活动的智能工作流的生成方法专利的具体信息内容。

权利要求

1.一种基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，包括：
S1、基于角色的重要度和频繁度对不同角色进行加权；
S2、对业务系统运行日志进行数据挖掘，基于各活动的角色加权关联规则获得活动和角色二维流程频繁集；
S3、将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。
2.根据权利要求1所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，所述步骤S2包括：
S21、构建流程频繁集挖掘器，并利用层析分析法确定基于角色的重要度分布，从而建立加权关联规则分析引擎；
S22、对所述业务系统运行日志进行清洗和转换，从而使得所述业务系统运行日志的数据结构与所述流程频繁集挖掘器的数据结构对接；
S23、基于所述业务系统运行日志中角色的频繁度和重要度综合分析确定角色权重和各活动的时间顺序，利用所述加权关联规则分析引擎构成的所述流程频繁集挖掘器获得所述活动和角色二维流程频繁集。
3.根据权利要求2所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，所述步骤S23包括：
S231、扫描所述业务系统运行日志，找出全部的1项活动和角色二维流程频繁集；其中所述1项活动和角色二维流程频繁集是一对活动和角色的二维流程频繁集；
S232、采用二维项集连接法基于所述1项活动和角色二维流程频繁集生成候选活动和角色二维流程频繁集；
S233、采用项集加权支持度剪枝法从所述候选活动和角色二维流程频繁集去除非活动和角色二维流程频繁集从而生成所述活动和角色二维流程频繁集。
4.根据权利要求3所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，在所述步骤S232中，递归执行所述二维项集连接法以生成所述候选活动和角色二维流程频繁集。
5.根据权利要求4所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，在所述步骤S232中，将K项活动和角色二维流程频繁集中所有只有一个项属性不同的两个活动和角色二维流程频繁集做匹配连接运算以生成所述候选活动和角色二维流程频繁集，其中K为大于1且小于预定的最大工作流节点数的正整数。
6.根据权利要求3所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，在所述步骤S233中，递归执行所述项集加权支持度剪枝法以从所述候选活动和角色二维流程频繁集去除非活动和角色二维流程频繁集从而生成所述活动和角色二维流程频繁集。
7.根据权利要求1所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，所述步骤S3包括：
S31、将所述活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系；
S32、基于所述流转关系将所述节点有向连接从而生成活动和角色的二维工作流程图。
8.根据权利要求7所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，所述步骤S31包括：
S311、检测所述活动和角色二维流程频繁集是否为完整流程以剔除非完整流程的所述活动和角色二维流程频繁集；
S312、计算首项和末项相同的所述活动和角色二维流程频繁集的相似度，且将所述相似度大于相似度阈值的所述活动和角色二维流程频繁集定义为同类活动和角色二维流程频繁集；
S313、将所述同类活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系。
9.根据权利要求8所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法，其特征在于，所述相似度阈值基于自动分析所述业务系统运行日志确定。
10.一种基于角色加权关联规则的角色与活动的智能工作流的生成系统，其特征在于，包括：
加权模块，用于基于角色的重要度和频繁度对不同角色进行加权；
流程频繁集生成模块，用于对业务系统运行日志进行数据挖掘，通过基于活动的角色加权关联规则分析获得活动和角色二维流程频繁集；
流程转换模块，用于将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。

说明书全文

基于角色加权关联规则的角色与活动的智能工作流的生成

方法

技术领域

[0001] 本发明涉及业务管理领域，更具体地说，涉及一种基于角色加权关联规则的角色与活动的智能工作流的生成方法。

背景技术

[0002] 第三次工业革命将颠覆传统工业经济时代的生产生活方式，而其核心之一是智能化技术在各领域的广泛应用。随着信息化水平的不断提高，越来越多的企业建立了自己的业务管理系统，涉及生产销售、人、财、物等各方面，这些系统的运行日志记录各个业务实际运行过程，是企业一个可利用宝贵财富。

[0003] 业务系统的不断运转，各系统运行日志为企业的工作流挖掘提供了大量的数据基础。工作流挖掘通过对业务流程运行日志进行分析，发现活动间逻辑关系，挖掘蕴涵在实际执行过程中的一些规则，自动生成工作流。

[0004] “工作流挖掘”自1995年由Joanthan E.Cook提出后已有了很大发展。有关工作流挖掘算法有代表型的研究成果包括以下几个方面。

[0005] Rakesh Agrawal等人设计了工作流挖掘算法，引入有向图描述工作流的模型，将其应用到企业工作流。

[0006] Herbst等提出基于随机活动图的归纳式算法。这种算法在随机行为图的基础上,用随机模型去掉日志中的噪音数据,通过ADONIS模型将并行、选择结构工作流呈现给用户。

[0007] Aalst等提出基于工作流网的α算法。α算法用启发式方法去掉日志中的噪音,从已经过噪音清除的日志中挖掘活动间的关系,并用基于Petri网的工作流程网表示挖掘的结果。利用α算法可以发现日志的变化,有利于工作流的动态生成。现有的工作挖掘算法主要是利用α算法的原理实现日志挖掘。

[0008] 工作流的是由各种角色智能体来实现的，这些角色执行不同活动任务，协调完成工作流程。然而迄今为止，工作流挖掘算法得到的工作流主要是基于活动的工作流，这类基于活动的工作流中的节点只有活动或任务的信息，而对各活动任务的执行者角色没有任何描述。因此，现有的自动生成的工作流都需要人工负责中转，因此在中转过程中滞留时间长、失误率高，导致工作效率低。

发明内容

[0009] 本发明要解决的技术问题在于，针对现有技术的生成的工作流需要人工负责中转，因此在中转过程中滞留时间长、失误率高，导致工作效率低的缺陷，提供一种无需人工干预自动生成智能工作流，此智能工作流自动流转，提高工作效率，避免操作失误的角色加权关联规则的角色与活动的智能工作流的生成方法从而节省人工构建工作流的系统管理时间，自动流转减少流转滞留时间和流转错误，大大提高工作效率和系统自动化水平。

[0010] 本发明解决其技术问题所采用的技术方案是：构造一种基于角色加权关联规则的角色与活动的智能工作流的生成方法，包括：

[0011] S1、基于角色的重要度和频繁度对不同角色进行加权；

[0012] S2、对业务系统运行日志进行数据挖掘，基于各活动的角色加权关联规则获得活动和角色二维流程频繁集；

[0013] S3、将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。

[0014] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，所述步骤S2包括：

[0015] S21、构建流程频繁集挖掘器，并利用层析分析法确定基于角色的重要度分布，从而建立加权关联规则分析引擎；

[0016] S22、对所述业务系统运行日志进行清洗和转换，从而使得所述业务系统运行日志的数据结构与所述流程频繁集挖掘器的数据结构对接；

[0017] S23、基于所述业务系统运行日志中角色的频繁度和重要度综合分析确定角色权重和各活动的时间顺序，利用所述加权关联规则分析引擎构成的所述流程频繁集挖掘器获得所述活动和角色二维流程频繁集。

[0018] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，所述步骤S23包括：

[0019] S231、扫描所述业务系统运行日志，找出全部的1项活动和角色二维流程频繁集；

[0020] S232、采用二维项集连接法基于所述1项活动和角色二维流程频繁集生成候选活动和角色二维流程频繁集；

[0021] S233、采用项集加权支持度剪枝法从所述候选活动和角色二维流程频繁集去除非活动和角色二维流程频繁集从而生成所述活动和角色二维流程频繁集。

[0022] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，在所述步骤S232中，递归执行所述二维项集连接法以生成所述候选活动和角色二维流程频繁集。

[0023] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，在所述步骤S232中，将K项活动和角色二维流程频繁集中所有只有一个项属性不同的两个活动和角色二维流程频繁集做匹配连接运算以生成所述候选活动和角色二维流程频繁集，其中K为大于1且小于预定的最大工作流节点数的正整数。

[0024] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，在所述步骤S233中，递归执行所述项集加权支持度剪枝法以从所述候选活动和角色二维流程频繁集去除非活动和角色二维流程频繁集从而生成所述活动和角色二维流程频繁集。

[0025] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，所述步骤S3包括：

[0026] S31、将所述活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系；

[0027] S32、基于所述流转关系将所述节点有向连接从而生成活动和角色的二维工作流程图。

[0028] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，所述步骤S31包括：

[0029] S311、检测所述活动和角色二维流程频繁集是否为完整流程以剔除非完整流程的所述活动和角色二维流程频繁集；

[0030] S312、计算首项和末项相同的所述活动和角色二维流程频繁集的相似度，且将所述相似度大于相似度阈值的所述活动和角色二维流程频繁集定义为同类活动和角色二维流程频繁集；

[0031] S313、将所述同类活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系。

[0032] 在本发明所述的基于角色加权关联规则的角色与活动的智能工作流的生成方法中，所述相似度阈值基于自动分析所述业务系统运行日志确定。

[0033] 本发明解决其技术问题采用的另一技术方案是，构造一种基于角色加权关联规则的角色与活动的智能工作流的生成系统，包括：

[0034] 加权模块，用于基于角色的重要度和频繁度对不同角色进行加权；

[0035] 流程频繁集生成模块，用于对业务系统运行日志进行数据挖掘，通过基于活动的角色加权关联规则分析获得活动和角色二维流程频繁集；

[0036] 流程转换模块，用于将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。

[0037] 实施本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法和系统，可以从两方面提高工作效率，(1)可自动生成智能型工作流，提高系统管理的效率；(2)且所述智能工作流中的各节点包含角色和活动，所述工作流在系统运行过程中将无需人工干预，工作流自动流转，因此可以提高业务系统运行工作效率，避免操作失误。
附图说明

[0038] 下面将结合附图及实施例对本发明作进一步说明，附图中：

[0039] 图1是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法的第一实施例的流程图；

[0040] 图2是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法的第二实施例的流程图；

[0041] 图3是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法的转换矩阵示意图；

[0042] 图4是图3所示转换矩阵获得的工作流程图；

[0043] 图5是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成系统的第一实施例的原理框图。

具体实施方式

[0044] 本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法是基于活动和角色二维节点组挖掘，挖掘的单元是活动角色二元组，得到二维流程频繁集。同时为了减少遗漏活动角色节点，根据角色的重要度和频繁度的不同进行赋权，再进行加权关联分析，得到完整的活动角色流程频繁集。经过节点流转矩阵转换得到工作流程图。本发明通过定义对应活动的角色属性，将活动与执行角色关联起来，使工作流中的各节点为既有角色定义又有活动任务的二元组。并且通过将加权概念引入关联规则流程频繁集挖掘算法，可以使一些操作出现频度不高的重要活动不被遗漏，从而挖掘更加实用、有效、功能完整的工作流模型。

[0045] 图1是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法的第一实施例的流程图。如图1所示，在步骤S1中、基于角色的重要度和频繁度对不同角色进行加权。通过角色的权重设置避免一些重要但出现频率不高的角色被遗漏，从而可以挖掘出更加实用、有效、功能完成的工作流模型。在步骤S2中，对业务系统运行日志进行数据挖掘，基于各活动的角色加权关联规则获得活动和角色二维流程频繁集。在本步骤中，可以利用基于角色加权关联规则模型对业务系统运行日志进行数据挖掘，找出其中的活动和角色二维流程频繁集，即同时包括<活动、角色>数组组成的流程频繁集。在步骤S3中，将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。在本发明中，可以根据相似度将所述活动和角色二维流程频繁集合并为同类活动和角色二维流程频繁集，随后将所述同类活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系；随后基于所述流转关系将所述节点有向连接从而生成活动和角色的二维工作流程图，从而得出一个由活动和角色的二元组节点组成的实用、安全、功能完整的工作流模型。

[0046] 实施本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法，无需人工干预工作流自动流转，因此可以提高工作效率，避免操作失误。并且通过将加权概念引入关联规则流程频繁集挖掘算法，可以使一些操作出现频度不高的重要活动不被遗漏，从而挖掘更加实用、有效、功能完整的工作流模型。

[0047] 图2是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法的第二实施例的流程图。如图2所示，在步骤S1中、基于角色的重要度和频繁度对不同角色进行加权。通过角色的权重设置避免一些重要但出现频率不高的角色被遗漏，从而可以挖掘出更加实用、有效、功能完成的工作流模型。在步骤S2中，构建流程频繁集挖掘器，并利用层析分析法确定基于角色的重要度分布，从而建立加权关联规则分析引擎。在步骤S3中对业务系统运行日志进行清洗和转换，从而使得所述业务系统运行日志的数据结构与所述流程频繁集挖掘器的数据结构对接。在步骤S4中，基于所述业务系统运行日志中角色的频繁度和重要度综合分析确定角色权重和各活动的时间顺序，利用所述加权关联规则分析引擎构成的所述流程频繁集挖掘器获得所述活动和角色二维流程频繁集。在本发明的一个实施例中，可以扫描所述业务系统运行日志，找出全部的1项活动和角色二维流程频繁集。接着采用项集连接法基于所述1项活动和角色二维流程频繁集生成候选活动和角色二维流程频繁集。随后采用项集加权支持度剪枝法从所述候选活动和角色二维流程频繁集去除非活动和角色二维流程频繁集从而生成所述活动和角色二维流程频繁集。在步骤S5中，将所述活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系。在本发明的一个实施例中，检测所述活动和角色二维流程频繁集是否为完整流程以剔除非完整流程的所述活动和角色二维流程频繁集，接着计算首项和末项相同的所述活动和角色二维流程频繁集的相似度，且将所述相似度大于相似度阈值的所述活动和角色二维流程频繁集定义为同类活动和角色二维流程频繁集；最后将所述同类活动和角色二维流程频繁集转成角色和活动二维空间上的节点和流程矩阵，从而得到所述节点间的流转关系。在步骤S6中，基于所述流转关系将所述节点有向连接从而生成活动和角色的二维工作流程图。

[0048] 下面将结合具体实现方式对本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法进一步说明如下。为了后面描述方便，下面将给出本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法中需要用到的概念和定义。

[0049] 在本发明中，为了挖掘出包括活动和角色两项内容工作流，以活动和角色组成的二元组作为工作流模型的基本单元，本发明引入活动角色二元组的概念，令H＝{(u1,h1)(u2,h2)…,(hn,un)}表示日志中所有活动角色二元组的集合。

[0050] 工作流实例是在某时间用户角色实际执行某活动，由(InsNO,userrole,handle,time)四个属性描述。其中InsNO为实例编号,time为活动h的发生时间,userrole为角色，(userrole,handle)∈H。

[0051] 工作流日志，是指就是工作流实例的集合,记录用户在什么时间执行什么活动的记录，设H为一个工作流中所有活动角色二元组的集合,L为工作流日志，L＝{(InsNo,userrole,handle,time)(userrole,handle)∈H}。工作流事件e就是活动和角色二元组h按一个给定的流程c的执行,定义为e＝(c,h)。

[0052] 活动角色二元组的直连，L为工作流日志，H为一个工作流中所有活动角色二元组的集合，a、b∈H，如果在工作流日志中出现的顺序a先于b,即a的活动执行完成后流转到b活动执行，则称a直连b,表示为a->b。

[0053] 流程节点的匹配，工作流程图中活动节点为活动和活动的执行角色组成的二元组，N1＝(r1,h1),N2＝(r2,h2),当且仅当r1＝r2，h1＝h2时活动节点N1与N2匹配，记N1～N2。

[0054] 二维工作流，流程图G＝(N,F)为节点组成的有向图，其中节点包括活动和活动角色组成的二元组，活动角色工作实例I是工作日志的子集，如果实例I支持一个流程图表示的工作流模式G，则记为G》I。

[0055] 流程频繁集，设S为一个日志中实例子集,G为工作流模式。则实例S对于G的支持度P＝|{I:I∈S,G》I}|/|S|,其中|S|表示日志中的实例数。如果实例集S对模式G的支持度S≥最小支持度阈值Ps,则实例集S是有向图所表示的工作流模式G上的流程频繁集。

[0056] 流转矩阵，流转矩阵用来描述活动角色二元组之间流转关系。设DS(S)为实例集S所有活动与角色二元组的集合，Ii,Ij∈DS(S),则实例集S对应的流转矩阵为VxV阶矩阵D＝(dij)VxV,V＝|DS(S)|,|DS(S)|为集合DS(S)的长度。其中，假如活动节点ai-＞aj，则dij＝1,dji＝-1,否则dij＝dji＝0。流转矩阵反映了实例集中活动节点之间的逻辑关系，当活动ai->aj时,即在流程图上活动节点ai连接并指向aj。

[0057] 加权支持度：设项目集X＝{a1,a2,...,ak},相应的权重R＝{r1,r2,...,rk},则项目集X的加权支持度wsup为: 其中sup(X)为X的传统支持度计数，权重之和，max{r1,r2,...,rk}称为X的最大权值,

[0058] 一、基于角色加权的活动角色组关联规则的挖掘

[0059] 本发明以记录了活动角色的工作日志为数据源，找出活动角色频繁项集。下面程序CompFrequs实现了频繁项集的搜寻功能，Ck代表k项候选流程频繁集；Lk代表k项流程频繁集，U＝(u1,u2,...up)为流程所有角色，R＝(r1,r2,...rp)为各角色相应的权重。

[0060] CompFrequs

[0061] 输入:工作日志库W

[0062] 最小支持度Min_sup,

[0063] 最长工作流的节点个数M,

[0064] 角色向量U＝(u1,u2,...up)

[0065] 权重向量R＝(r1,r2,...rp)

[0066] 输出:频繁项目集L

[0067] 首在步骤S1中，基于角色的重要度和频繁度对不同角色进行加权。在步骤S2中，将日志数据转换为结构化数据，输入用户角色列表、角色权重列表。在步骤S3中，调用过程函数getNodeset(w)，从日志数据集中获得所有事务集D，事务集D是以活动和角色二元组的作为基本元素的集合。在步骤S4中调用过程函数find_frequent_1-itemsets(D)从事务集D找出所有1项(二维组)流程频繁集L1。在步骤S5，开始第一次循环，k从初始值2开始。在步骤S6(1-k)ln2中，计算加权支持度阀值wmin_sup＝min_sup×e 。在步骤S7中，调用过程函数apriori_gen(Lk-1,wmin_sup)，通过连接法，由Lk-1生成候选频繁k-项集(二元组)Ck。在步骤S8中，第二循环开始，找出Ck中所有属于t的候选Ct，其中t为属于D的每一个事务。在步骤S9这个第三循环开始，每一个候选项集c属于Ct，令c的频数sup(c)增加1。在步骤S10中，通过角色匹配将项集c和U中的角色匹配，获得各角色的权重值存放在向量权重CR＝(cr1,cr2,…,crk)。在步骤S11中，计算c的加权支持度wsup(c)，其中

[0068]

[0069] 在步骤S12中循环执行步骤S9-11直到Ct项集都扫描完成后结束。在步骤S13中，获得Lk所有加权支持度大于minsup的集合，即：Lk＝{c∈Ck|wsup(C)≥wmin_sup}，然后循环执行步骤S8-13直到D中的事务扫描完成后结束。在步骤S14中K增加1，循环执行步骤S5-14，直到Lk-1集为空集结束循环。在步骤S15中，合并所有频繁k-项集(二元组)得到L，返回流程频繁集L。

[0070] 其中，节点获取函数Procedure getNodeset(string W)如下：

[0071] 步骤1.定义字符型向量a[]

[0072] 步骤2.从数据库W中获取记录列表rs。

[0073] 步骤3.将记录列表中对应事务编号列数据转换成一维数组并存放在a[]中[0074] 步骤4.令i的初始值为0

[0075] 步骤5.定义三维向量D[][][3]

[0076] 步骤6.循环开始

[0077] 步骤7.{从数据库中取出事务编号为a[i]的包括用户角色、活动、时间所有记录集rs；

[0078] 步骤8.循环开始

[0079] 步骤9.{将第i个事务中的第j个活动的角色、活动、活动时间取出，存入三个分量D[i][j][1]，D[i][j][2]，D[i][j][3]中；

[0080] 步骤10.j值增加1；

[0081] 步骤11.rs记录标下滚一条

[0082] 步骤12.循环执行步骤12--14，直到rs记录标记到尾，结束循环。}[0083] 步骤13.i值增加1

[0084] 步骤14.循环执行上步骤9--16，直到a[i]为空集，结束循环。}

[0085] 步骤15.返回三维向量D

[0086] 二维项集连接函数Procedure Bi_apriori_gen(Lk-1:k项流程频繁集；min_sup:最小支持度阈值)

[0087] 步骤1.循环开始

[0088] 步骤2.L1遍历项集Lk-1

[0089] 步骤3.循环开始

[0090] 步骤4.L2遍历项集Lk-1

[0091] 步骤5.比较L1和L2的用户角色、活动，

[0092] 步骤6.假如L1和L2中有k-2对用户角色和活动对应相等，仅有一项的用户角色和活动不相同；

[0093] 步骤7.则将将前k-2项连接两个不相同的项，得个k项集c。

[0094] 步骤8.检测k项集c是否是存在k-1项非频繁子集；

[0095] 步骤9.假如c中存在k-1项子集是不非频繁子集；

[0096] 步骤10.删除c

[0097] 步骤11.否则，将c增加到k项流程频繁集Ck中；

[0098] 步骤12.重复执行步骤4-11，直到L2遍历完Lk-1中的所有项；

[0099] 步骤13.重复执行步骤2-12，直到L1遍历完Lk-1中的所有项；

[0100] 步骤14.返回k项流程频繁集Ck

[0101] 频繁检测函数procedure has_infrequent_subset(c:候选频繁k-项集，Lk-1:频繁(k-1)-项集)；

[0102] 步骤1.循环开始

[0103] 步骤2.对于任意一个c的(k-1)-项子集s

[0104] 步骤3.假如s不属于Lk-1,s不是k-1项流程频繁集

[0105] 步骤4.则退出程序，并返回逻辑值“假”

[0106] 步骤5.否则

[0107] 步骤6.循环执行步骤2—5，直到扫描完c中所有(k-1)-项子集；

[0108] 步骤7.返回逻辑值“真”。

[0109] 二、流程频繁集生成流程

[0110] 在生成流程频繁集后,可以检查各频繁项集是否是完整流程。首项须是流程开始，末项是流程最后一项活动，将非完整流程频繁项剔除。在流程完整的流程频繁集中计算首项和末项相同流程频繁集的相似度，将相似度大一个确定阀值流程频繁集定义为同类流程频繁集。其中相似度阀值可根据不同情况不同类型的日志流程确定相应的百分比大小，比如65％。这样使同类流程流程频繁集组合并为一个流程。

[0111] 将同类流程频繁集转化为工作流图，可将流程频繁集转化为活动角色节点间的流转矩阵来实现。设角色活动节点集为N＝(n1,n2,…nm)，则流转矩阵CT＝{dij}为mxm阶矩阵，其中dij的值表示节点ni与nj之间的流程关系:

[0112]

[0113] 依据流转矩阵不难得出工作流程图。

[0114] 其中矩阵转换函数gettranfer(frenqentSet:Ar；T[n])gettranfer(流程频繁集：Ar,(活动，角色)向量)如下：

[0115]

[0116]

[0117]

[0118] 在流转矩阵中，矩阵元素表示对应活动二元组节点的流转关系，例如，dij＝1则在流程图中有一条由节点di到dj的有向线。这样便可得到表示各节点之间连接关系的工作流图。

[0119] 以下示出本发明的应用实例。

[0120] 为了检测本发明基于角色加权关联规则的角色与活动的智能工作流的生成方法，发明人在Intel core(tm)2Quad CPU Q94002.66GHz,3,84GB内存硬件环境，windows2003 操作系统下，用Java语言实现动角色动态加权关联规则算法，并对一个办公系统公文流转的日志数据进行分析。系统的日志记录数为124105，由{(InsNo,userrole，handle,time)}5个属性组成。系统的各角色为{员工,系领导,副校长,校长}。流程频繁集维数为5，最小支持度min_sup＝0.05。根据动态加权关联规则算法的原则，角色权值的设置可根据用户分析的关注面、角色的重要度和出现的频度。如在本实例中，如果用户关注学校党务方面的流程，可以赋给书记的角色更高权值。为了找出学校行政方面的流程，考虑到校长在流程处理中出现的频率不多而角色又重要的情况，我们将校长的权重值设为最高，{员工,系领导,副校长,校长}各角色分别设为：{0.5,0.6,0.7，0.9}。

[0121] 利用本发明的方法对办公系统使用日志的进行数据挖掘，挖掘出所有由二元组构成的频繁项集，并且生成二元组为节点的工作流图。抽取其中两个流程频繁集对比利用加权关联规则算法和普通关联规则算法得到的为部分挖掘的结果示出如表1：

[0122] 流程频繁集：

[0123] F1：(员工，起草)—(部门领导，部门审批)--(副校长，校级审批)--(员工，部门执行)

[0124] F2：(员工,起草)—(部门领导,部门审批)--(副校长,校级审批)--(校长,校长审批)---(员工,部门执行)

[0125] 表1关联规则表

[0126]

[0127] 由上面计算结果可看出，当按普通关联规则的算法工作流F2的支持度为0.0335<0.05,为非流程频繁集，但利用动态加权关联规则算法其支持度0.0521>0.05,为流程频繁集。所以，通过动态加权关联规则算法，可以将一个重要工作流挖掘出来。

[0128] 两个流程频繁集相似度大于65％，按规则合并为一个工作流。经过转换算法可得如图3所示的转置矩阵。基于图3所示的转置矩阵可以获得图4所示的工作流程图。

[0129] 综上所述，实施本发明的基于角色加权关联规则的角色与活动的智能工作流的生成方法，无需人工干预工作流自动流转，因此可以提高工作效率，避免操作失误。并且通过将加权概念引入关联规则流程频繁集挖掘算法，可以使一些操作出现频度不高的重要活动不被遗漏，从而挖掘更加实用、有效、功能完整的工作流模型。

[0130] 图5是本发明的基于角色加权关联规则的角色与活动的智能工作流的生成系统的第一实施例的原理框图。如图5所示，所述基于角色加权关联规则的角色与活动的智能工作流的生成系统包括加权模块100、流程频繁集生成模块200和流程转换模块300。所述加权模块100用于基于角色的重要度和频繁度对不同角色进行加权。所述流程频繁集生成模块200用于对业务系统运行日志进行数据挖掘，基于角色的活动和所述加权获得活动和角色二维流程频繁集。所述流程转换模块300用于将所述活动和角色二维流程频繁集转化成流程矩阵，从而生成活动和角色的二维工作流程图。

[0131] 本领域技术人员知悉，本发明的所述加权模块100、流程频繁集生成模块200和流程转换模块300可以基于上述任意基于角色加权关联规则的角色与活动的智能工作流的生成方法构建。基于本发明的教导，本领域技术人员能够构建上述加权模块100、流程频繁集生成模块200和流程转换模块300，在此就不在累述。

[0132] 实施本发明的基于角色加权关联规则的角色与活动的智能工作流的生成系统，无需人工干预工作流自动流转，因此可以提高工作效率，避免操作失误。并且通过将加权概念引入关联规则流程频繁集挖掘算法，可以使一些操作出现频度不高的重要活动不被遗漏，从而挖掘更加实用、有效、功能完整的工作流模型。

[0133] 虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。

标题	发布/更新时间	阅读量
授信会签方法、装置、计算机设备及存储介质	2020-05-13	581
测试方法、装置、存储介质及计算机设备	2020-05-13	450
一种控制模拟盘的设计方法及控制模拟盘	2020-05-08	344
一种产品设计过程管理方法	2020-05-11	83
一种流量切换方法、装置、及计算机设备	2020-05-12	526
混淆代码的优化方法及装置、计算设备、存储介质	2020-05-12	482
基于移动测量系统自动化提取铁轨断面的方法	2020-05-11	979
一种含钠硫电池的离网型微网能量管理方法	2020-05-13	342
一种数据集成方法及装置	2020-05-08	719
一种基于电网业务流程的协同场景智能监控系统	2020-05-11	836