DOI: https://doi.org/10.20998/2522-9052.2018.2.07

Логіко-ймовірнісна модель причинно-слідчих зв'язків між подіями журналу системи процесного управління

Oksana Chala

Анотація


Предметом вивчення в статті є процеси виявлення знань у формі причинно-наслідкових залежностей на основі аналізу логу подій бізнес-процесу. Метою статті є розробка логіко - ймовірнісної моделі причинно-слідчих зв'язків між парами подій журналу, що описують виконання дій бізнес-процесу для підтримки рішення задач автоматизованого побудови бази знань системи процесного управління. Завдання: Виділити контекстні умови та обмеження на виконання дій бізнес-процесу шляхом аналізу лога подій цього процесу; розробити підхід до виділення ймовірнісної та логічної складової причинно-слідчих залежностей; розробити логіко-ймовірнісну модель каузальних залежностей Використовуваними методами є: методи побудови предикатних моделей; байєсовські підходи до побудови ймовірнісних моделей. Отримані наступні результати. Формалізовано клас причинно-наслідкових залежностей для знанняємних бізнес-процесів. Такі залежності можуть враховувати неформалізоване знання про бізнес-процес. В межах даного класу виділені: прогнозний опис стану контексту на основі інформації про значення атрибутів подій журналу; контекстні обмеження на виконання дій бізнес-процесу; ймовірнісні умови реалізації дії бізнес-процесу. Висновки. Наукова новизна отриманих результатів полягає в наступному: запропонована логіко-ймовірнісна модель причинно-слідчих залежностей між парами подій журналу, що описують виконання дій бізнес-процесу. Модель зв'язує логічне опис стану контексту до і після завершення кожного дії бізнес-процесу, а також логічний опис обмежень на дії процесу та ймовірнісний опис умов для виконання цих дій. У практичному аспекті модель забезпечує можливість вирішення завдань вилучення,  поповнення та інтеграції знань на основі аналізу логів бізнес-процесів.


Ключові слова


причинно-наслідкові залежності; знання; база знань; бізнес-процес; потік робіт; журнал подій

Повний текст:

PDF

Посилання


Vom Brocke, J., Rosemann, M. (2015), Handbook on Business Process Management 1. Introduction, Methods, and Information Systems, Springer-Verlag Berlin Heidelberg, 709 p.

Gronau, N. (2012). Modeling and Analyzing knowledge intensive business processes with KMDL: Comprehensive insights into theory and practice (English), Gito, 522 p.

El-Den J.A. (2009), Tacit knowledge externalization among geographically distributed small groups, PhD Thesis’s, University of Technology, Sydney, Australia, 323 p.

Warren, P., Kings, N., Thurlow, I., Davies, J., Brger, T., Simperl, E., Ruiz, C., G´omez-P´erez, J., Ermolayev, V., Ghani, R., Tilly, M., Bsser, T. and Imtiaz, A (2009), “Improving knowledge worker productivity the active approach”, BT Technology Journal, No. 26, pp.165-176.

Dong, X. L., Gabrilovich, E., Heitz, G., Horn, W., Murphy, K., Sun, S. and Zhang, W. (2014), “From data fusion to knowledge fusion”, International Conference on Very Large Data Bases (VLDB).

B. Min, R. Grishman, L. Wan, C. Wang, and D. Gondek. (2013). Distant supervision for relation extraction with an incomplete knowledge base. In Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL).

Murphy, K. (2013), “From big data to big knowledge”, ACM International Conference on Conference on Information and Knowledge Management (CIKM), New York, NY, USA.

Chen, Y. and Wang, D.Z. (2014), “Knowledge expansion over probabilistic knowledge bases”, ACM SIGMOD International Conference on Management of Data (SIGMOD).

Niu, F., Zhang, C., R´e, C. and Shavlik, J.W. (2012), “Elementary: Large-scale knowledge-base construction via machine learning and statistical inference”, Int. J. Semantic Web Inf. Syst.

Pearl, J. (2000), Causality: models, reasoning, and inference, Cambridge University Press, Cambridge.

Alon N. and Spencer J.H. (2008), The Probabilistic Method, Wiley-Interscience, third edition.

Friedman, N., Getoor, L., Koller, D. and Pfefier, A. (1999), “Learning probabilistic relational models”, International Joint Conference on Artificial Intelligence (IJCAI).

Koller, D., Friedman, N. ( 2009), Probabilistic Graphical Models: Principles and Techniques, MIT Press.

Ritter, J., Li, A., Jurafsky, D. (2014), “Inferring user preferences by probabilistic logical reasoning over social networks”, arXiv preprint arXiv:1411.2679, available at: https://arxiv.org/abs/1411.2679 (last accessed March 01, 2018).

Bröcheler, M., Mihalkova, L. and Getoor, L. (2012), “Probabilistic similarity logic. Computing Research Repository”, abs/1203.3469, available at: http://arxiv.org/abs/1203.3469 (last accessed March 01, 2018).




Copyright (c) 2020 Oksana Chala