شماره بازیابی	EN COM ۴۳۶
عنوان	شناسایی رانش فرایند در نگاره های کسب و کار با استفاده از یادگیری عمیق
عنوان لاتین	Process drift detection in business process logs using deep learning
نویسنده	خجسته، فاطمه - khojasteh, fatemeh
استاد راهنما	بهکمال، بهشید
مقطع تحصیلی	کارشناسی ارشد
سال دفاع از پایان نامه	۱۳۹۶
رشته	مهندسی کامپیوتر - نرم افزار
توصیفگر	رانش
توصیفگر	کسب و کار
توصیفگر	یادگیری عمیق
چکیده فارسی	فرآیندکاوی یک زمینه تحقیقاتی نسبتا جدید است که بین هوش محاسباتی و داده کاوی از یک سو و مدل سازی فرایند و تحلیل آن از سوی دیگر قرار دارد. درواقع به تکنیک استخراج اطلاعات ارزشمند از فایل نگاره رویداد فرایندکاوی گفته می شود. فرایندهای کسب وکار در دنیای واقعی بسیار پیچیده هستند و متناسب با تحولات محیطی دچار تغییر می شوند (مانند وضع قوانین جدید و یا تغییرات فصلی). این در حالی است که تکنیک های کشف فرایند پایه، قادر به شناسایی این تغییرات نیستند و تنها فرایندهای ثابت را تحلیل می کنند. این تغییرات بر کارایی فرایند تاثیر قابل توجهی دارد. درنتیجه، شناسایی و تحلیل آن ها از دیدگاه مدیریت فرایند حائز اهمیت است. به شناسایی تغییرات فرایند، شناسایی رانش فرایند نیز گفته می شود. همه روش های موجود در شناسایی رانش فرایند، به سایز پنجره استفاده شده در شناسایی تغییرات وابسته هستند. همچنین، انتخاب ویژگی (هایی) که به خوبی بیان کننده روابط میان رویداد ها و دنباله ها باشد، چالش دیگر بیشتر پژوهش های انجام گرفته است. اکثر روش های موجود یا قادر به شناسایی رانش ها در فرایندهای غیرقابل پیش بینی نیستند یا آن ها را با فاصله بسیار زیاد شناسایی می کنند. منظور از فرایندهای غیرقابل پیش بینی، فرایندهایی هستند که نسبت تعداد دنباله های متمایز به تعداد کل دنباله ها در نگاره آن ها بسیار زیاد است. در این پژوهش، با بیان مفاهیم تعبیه فعالیت و تعبیه دنباله ، روشی خودکار و مستقل از پنجره به منظور شناسایی رانش ناگهانی در نگاره های کسب وکار ارائه کرده ایم. با به کارگیری تعبیه فعالیت و تعبیه دنباله، می توانیم همه ویژگی ها از روابط میان دنباله ها و رویدادها را استخراج کنیم و فرایندهای قابل پیش بینی و غیرقابل پیش بینی را مدیریت نماییم. ارزیابی ها نشان می دهد که روش پیشنهادی نسبت به روش های موجود از دقت بالاتر و تأخیر شناسایی رانش کمتری برخوردار است.
چکیده لاتین	Process mining provides a bridge between process modeling and analysis on the one hand and data mining on the other. Process mining aims at discovering, monitoring, and improving real processes by extracting knowledge from event logs. However, as most business processes change over time (e.g. the effects of new legislation, seasonal effects and etc.), traditional process mining techniques cannot capture such “second-order dynamics” and analyze these processes as if they are in steady-state. Such changes can significantly impact the performance of processes. Hence, for the process management, it is crucial that changes in processes be discovered and analyzed. Process change detection is also known as business process drift detection. All the existing methods for process drift detection are dependent on the size of windows used for detecting changes. Identifying convenient features that characterize the relations between traces or events is another challenge in most methods. Furthermore, in order to detect drifts in unpredictable processes, in which the ratio of distinct execution to the total number of executions in the log is high, the existing methods either do not address or detect them with a long delay. In this thesis, introducing the notions of activity embedding and trace embedding, we propose an automated and window-independent approach for detecting sudden business process drifts. Using activity embedding and trace embedding makes it possible to automatically extract all features from the relations between traces or events and to handle both predictable and unpredictable processes. We show that the proposed approach outperforms all the existing methods in respect of its significantly higher accuracy and lower detection delay.
لیست فایلها:	چکیده فارسی فهرست مطالب فهرست اشکال فهرست جداول پیشنهادات فهرست منابع و ماخذ چکیده انگلیسی صفحه عنوان انگلیسی