ترجمه استراتژی” آموزش همراه با همکاری ” برای نمایش چندگانه خوشه بندي در فرآيند -کاوی

توضیحات

 عنوان فارسی: استراتژی“ آموزش همراه با همکاری “ برای نمایش چندگانه خوشه بندي در فرآيند -کاوی

عنوان انگلیسی مقاله ترجمه شده:

A Co-Training Strategy for Multiple View Clustering in Process Mining

استراتژی“ آموزش همراه با همکاری “ برای نمایش چندگانه خوشه بندي در فرآيند -کاوی:

(چكيده )

فرآیند کاوی  به كشف، انطباق و افزايش مدلهاي فرآيندي اشاره دارد که در حال حاضر محصول نگاره های رویداد تولید شده توسط چندین سیستم اطلاعاتی (به عنوان مثال سیستم های مدیریت گردش کار)هستند. با برقراری  پیوند محکمی بین  رویداد و مدلهای فرآیند،فرآیند – کاوی  امکان شناسایی انحرافات را فراهم آورده ،تاخیرها را پیش بینی نموده ، از تصمیم گیریها حمایت می کند و توصیه به تجدید ساختارهای  فرآیند دارد . نگاره های رویداد ،مجموعه داده هایی شامل موارد اجراشده (دنباله ها )در یک فرآیند تجاری می باشند.الگوریتم های متعدد فرآیند کاوی ، به منظور کاوش نگاره های رویداد و انتقال مدلهای با ارزش(مانند شبکه های پتری) از نحوه اجرای فرآیندهای ورودی ،تعریف گردیده اند. با این حال، آنهااغلب مدل های فرآیندی اسپاگتی را تولید می کنند که درک آنها دشوار است. این ناشی از پیچیدگی ذاتی  فرآیندهای زندگی واقعی است که تمایل دارند کمتر ساختاری بوده و بیش تر از آنچه سهامداران به طور معمول انتظار دارند انعطاف پذیر باشند. به طور خاص، مدل های فرآیند اسپاگتی زمانی کشف میشوند که تمامی رفتارهای ممکن که در یک مدل واحد نشان داده میشوند ، نتیجه در نظر گیری  مجموعه ای از اثرات باشند  که همگی به یکباره  وارد نگاره های رویداد میشوند. خوشه بندی دنباله ها   می تواند  برای به حداقل رساندن این مشکل،به عنوان یک مرحله پیش پردازشی مورد استفاده قرار گیرد که گزارش رویداد  را به خوشه هایی ازدنباله  های  مشابه،تقسیم کرده بگونه ای که  تغییرات در رفتار ضبط شده را مدیریت نموده  و کشف مدل فرایند را تسهیل مینماید. در این مقاله،ما یک رویکرد آگاه چندگانه را برای ردیابی  خوشه بندی بر اساس استراتژی آموزش همراه با همکاری  مورد بررسی قرار می دهیم. در یک ارزیابی، ما با استفاده ازنگاره های رویداد که تست شده اند  نشان دادیم  که الگوریتم ارائه شده قادر به کشف یک الگوی  خوشه بندی از گزارش میباشد ، به طوری که نتیجه دنباله  های مربوطه  به صورت مناسب دسته بندی شدند.ما اهمیت خوشه های شکل گرفته را با استفاده از یادگیری ماشین   ومعیارهای فرآیند کاوی ارزیابی می نماییم .

واژگان کلیدی : خوشه بندی،  آموزش همراه با همکاری  ، یادگیری چندگانه، فرایند کاوی

مقدمه :

سیستم های اطلاعاتی هر روز  بیشتر و بیشتر در حال آمیخته شدن  با فرایندهای عملیاتی هستند  که آنها را  پشتیبانی می کنند. به عنوان یک نتیجه، حجم زیادی از رویدادها  توسط چندین مورد سیستم های سازمانی امروزی ثبت و ضبط میشوند . با این وجود، سازمان ها هنوز در رابطه با  استخراج اطلاعات مفید در دنباله  های فرآیند با استفاده از تجزیه و تحلیل این حجم فراوان  داده رویدادی ،دارای مشکلاتی  هستند .هدف از فرایند کاوی، استخراج اطلاعات مربوط به فرآیند با مشاهده رویدادهای ثبت شده در نگاره های رویداد است . [1]. یک گزارش رویداد ،بسته ای حاوی دنباله  های فرآیند  یک فرآیند کسب و کار است.اجرای یک فرآیند ،  به عنوان یک دنباله   ثبت می شود. یک دنباله ، فهرست مرتب شده ای  از فعالیت هایی است که بواسطه  اجرای فرآیند از ایتدای اجرا تا انتهای ان ایجاد شده ست. فرایند کاوی می تواند به منظور سنجش انطباق دنباله  ها با  یک مدل فرآیندی  تجویز شده یا بهسازی  مدل  فرایندی شناخته شده  بوسیله اطلاعات اضافی استخراج شده ازنگاره های رویداد،مورد استفاده قرار گیرد.. با این حال، نقش مهم فرآیند کاوی ،کشف مدل های فرآیند انتزاعی (به عنوان مثال شبکه های petri ) ازنگاره های رویدادهاست .این مدل ها که ممکن است بتدریج استخراج شوند [2]، می توانند به دلایل مختلفی هنگام بازطراحی  فرایندها و معرفی سیستم های جدید اطلاعاتی ،مورد استفاده قرار گیرند. . به طور خاص، آنها می توانند به منظور بحث و تبادل نظر ،مستند سازی ، تجزیه و تحلیل عملکرد، و همچنین تصویب اجرای  فرآیندهای  واقعی بکاربرده شوند. کشف فرآیندی واقعی که اجرا شده است  ممکن است به دلیل ماهیت بسیار انعطاف پذیر و پیچیده فرایندها، در چند محیط با شرایط واقعی  بطرز خاصی دشوار باشد بگونه ای که فرآیندها  تمایل دارند کمتر ازآنچه  سهامداران بطور معمول  انتظار دارند ساختاری باشند. بهداشت و درمان، توسعه محصول وپشتیبانی مشتری،  برخی از نمونه های این محیط های انعطاف پذیر هستند. الگوریتم های فرآیند کاوی ممکن است در برخورد و رویارویی  با چنین فرآیندهای غیر ساختاری و تولید مدلهای  فرایند اسپاگتی [3]، که درکشان دشوار است،دچار مشکل باشند . این ناشی از پیچیدگی ذاتی فرآیندها است در حالی که تمام رفتارهای ممکن در یک نمودار واحد  نمایش داده می شوند. یک رویکرد  برای غلبه بر این محدودیت، خوشه بندی دنباله  هاست ، به گونه ای  که هر یک از خوشه های حاصل با مجموعه ی منسجمی ازفرآیندهای اجرایی مختلف مطابقت داشته باشند و هر  کدام بتوانند به طور قابل توجهی توسط یک مدل فرایند نمایش داده شوند. مطالعات سنتی در خوشه بندی دنباله  ها می توانند به دو دسته طبقه بندی شوند : (1) مطالعاتی که بر روی دنباله  هایی عمل می کنند که  به یک مدل فضای برداری تبدیل شده اند  [3]، [4]، [5].  اینجا خوشه بندی با استفاده از الگوریتم های یادگیری ماشین  مبتنی بر فاصله ،با معیارهای مختلفی (به عنوان مثال فاصله اقلیدس وفاصله ژاکارد) در فضای برداری انجام میگردد . (2) مطالعات انجام شده بر روی دنباله  های as-is با استفاده از الگوریتم های خوشه ای با معیارهای فاصله دنباله (به عنوان مثال فاصله لون استاین ) انجام میگردد  [6]،[7]، [8]. در این مقاله،ما ملاحظات گزارش شده در منبع شماره  [9] وتوسل به یک رویکرد فضای برداری به منظور حل مشکل خوشه بندی دنباله  ها را توضیح می دهیم . دنباله  های ثبت شده  به یک فضای ویژگی ، که در آن الگوریتمهای بردار پایه کارآمد می توانند از جنبه محاسباتی  مورد استفاده قرار بگیرند ،بازنمایی و نقشه برداری می گردند. مسئله اصلی یک رویکرد فضایی برداری ، تعریف مدل فضای برداری است . همانطور که توسط ون در آلست  [1] بحث شده است،نگاره های رویداد، حاوی اطلاعات زیادی در مورد چندین دیدگاه ، مانند دیدگاه کنترل جریان (سفارش و ترتیب بندی  فعالیت ها)، دیدگاه سازمانی (سازمان دهی منابع)، دیدگاه ردیابی (تناوب  فعالیتها )و دیدگاه عملکرد (عملکردهای  زمانی)می باشند. در حالی که تمرکز اصلی داده های کنترل جریان بر روی سازه های مدل سازی است که می توانند در طول روند مدل سازی ، شناسایی شوند، داده های سازمانی می توانند به منظوردستیابی به بینشی در برابر مسایل زیر مورد استفاده قرار گیرند:الگوهای کاری معمول  و ساختار سازمانی،  داده های  فعالیتی که می توانند به منظور  درک بهتر تصمیم گیری وتجزیه و تحلیل تفاوت بین دنباله  ها مورد استفاده قرار بگیرند ، قالب های زمان که  می توانند برای تشخیص مشکلات مربوط به عملکرد (به عنوان مثال گلو گاه ها)کاربرد داشته باشند .قابل توجه است که این دیدگاه های مختلف ممکن است مدل های فضایی مجزایی از دنباله  ها را بوجود بیاورند. اینها  پروفیلهای دنباله  (یا نمایش ها)نامیده میشوند .سانگ و دیگران در منبع شماره [5] ویژگی هایی را تعریف کرده اند که به این پروفیل های دنباله  مرتبط هستند

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.