文件大小：1.81M
摘要：事件日志作为流程挖掘技术的重要数据基础，其质量直接关系到后续分析与建模结果的准确性。然而在现实中，由于信息系统故障或人工记录出错等问题，事件日志中常常存在数据缺失，严重影响业务流程分析结果的质量。目的目前先进的日志修复方法，主要从数据层面处理，但对于流程活动间的行为关系表征和控制流与数据流交互分析存在不足，针对这个问题，提出了一种基于混合图神经网络（HybridGNN）的事件日志修复方法，有效兼顾局部结构感知与全局依赖进行建模。方法该方法捕获普遍的结构模式和差异化关系，开展基于图卷积网络的高效局部信息聚合分析，进而利用图注意力网络的自适应注意力机制，提升对复杂图结构数据的理解和预测能力，在此基础上，结合多头注意力机制和数据掩码策略，对日志数据进行修复。结果在五组公开数据集上各设置15%～30%的缺失率对所提出方法进行评估，并与现有研究工作进行对比分析，所提出的方法在修复的准确率和模型的F1分数上有较好表现。结论通过将业务流程建模为图结构数据，融合图神经网络框架提取流程语义信息以更好的理解流程数据，并结合多头注意力机制自动学习元素间重要性权重和捕获长距离依赖关系，每种注意力机制处理不同类型的流程元素，使模型对复杂事件日志的修复能力得到提升。
文章目录
1 引 言
1.1 基于规则修复事件日志
1.2 基于深度学习方法修复事件日志
2 基本概念
2.1 相关定义
2.2 图卷积神经网络
2.3 图注意力网络（Graph Attention Network）
2.4 多头注意力机制
3 方法
3.1 数据嵌入与预处理
3.2 多层级处理结构
3.3 双重图神经网络结构
3.4 多维度日志修复
4 仿真实验与结果分析
4.1评估指标与实验数据集
4.1.1 评估指标
4.1.2 数据集介绍
4.2 实验设置
4.3 结果分析
5 结论
