[发明专利]一种面向教育数据日志的工作流方法

说明书

本发明公开了一种面向教育数据的工作流方法，步骤如下：首先预处理教育日志数据，得到教育数据日志统计分析表；其次构造关系矩阵1，结合α算法生成工作流网N₁；工作流网N₁中存在孤立点，构造关系矩阵2，结合α算法生成工作流网N₂；工作流网N₂中存在孤立点，构造关系矩阵3，结合α算法生成工作流网N₃；工作流网N₃中存在孤立点，定义日志次序关系4，构造关系矩阵4，结合α算法生成不含孤立点的工作流网N₄；根据工作流网N₄构建活动间的连接关系，计算每个活动的导航度和权威度，最终对于工作流网中设计不合理的活动作出改进。该方法的提出对工作流网的分析、监控提供了更好的支撑。

技术领域

本发明属于工作流技术领域，具体涉及一种面向教育数据日志的工作流方法。

背景技术

信息技术的应用和教育信息系统的建立，为收集日志数据提供了基础。在大数据时代，这些日志数据为改进相应的系统和业务设计有着非常重要的意义。传统的业务流程完全依照软件工程师的设计思路进行，其中用户的参与度也仅体现在获取需求方面，与用户操作的实际数据并未结合。因此将日志数据和业务知识结合，对于优化现有业务流程意义重大。

日志数据分析业务流程问题，国内外已有不少的研究，1998年Agrawal最早使用基于有向图的方法提出了工作流挖掘模型，此后又进行了一系列扩展性研究。2003年，Eindhovn大学的Aalst提出了基于Petri网的α算法，并针对α算法挖掘的一系列问题进行了改进。2007年，源于计算智能领域的技术(蚁群算法、遗传程序设计、遗传算法、模拟退火、强化学习、机器学习、神经网络、模糊集、粗糙集等)的发展，A.K.Alves de Medeiros等使用遗传过程挖掘方法不直接把日志转变为模型，而是使用迭代的过程模拟自然演化过程。2010年，Aalst又提出使用两阶段方法进行工作流挖掘，该方法包含两个步骤，第一步构建一个浅层模型(如变迁系统)，第二步将浅层模型转换为能够表达并发和其他更加高级的控制流模式的深层模型。近年来，吴俊枝提出在过程挖掘中加入行为轮廓的因素，利用日志与模型间的一致性分析和基于行为轮廓的模型间的一致性分析进行挖掘模型的优化。李雪萍针对医疗系统中的实际业务流程问题，提出了基于事件日志的医疗业务流程挖掘方法，从活动间的行为关系挖掘流程模型。从这些现有研究方法来看，各有优势。两阶段方法在发现的过程中不能表示偏好，并且与α算法及变体相比，运行通常较慢。计算智能方法随着迭代次数变化，才可以获得一个质量可接受的个体(模型)，过程比较复杂。原始α算法也存在各种问题，如不可见任务，1循环(形如…aa…)，2循环(形如…aba…)问题等。针对这些问题，有学者提出了多种改进思路，但是这些改进思路存在一定的缺陷。

发明内容

本发明的目的是定义了一种新的日志次序关系，通过新的日志次序关系生成不包含孤立点的新的工作流网，通过新的工作流网构建活动间的连接关系，计算每个活动的导航度和权威度可通过，最终对于工作流网设计不合理的活动作出改进，保证形成完整的工作流网，并使用教育数据日志进行验证。

本发明的技术方案是，一种面向教育数据的工作流方法，以教育系统数据日志为输入，以petri网描述的工作流网为输出结果，该方法具体步骤如下：

步骤1、预处理教育日志数据C1，得到与事件相关的紧密属性的教育日志数据C2和教育数据日志统计分析表；

步骤2、基于传统的日志次序关系1和教育数据日志统计分析表，分别以日志活动为行和列，遍历教育日志数据C2，以传统日志次序关系1为规则，构造关系矩阵1，结合关系矩阵1与α算法，将满足因果关系的行和列组织起来，使用α算法的第5步，移除不是最大的因果关系，生成工作流网N₁；