期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于事件演化图的多标记事件预测模型
1
作者
王华珍
许泽
+3 位作者
孙悦
丘斌
陈坚
邱强斌
《计算机工程》
CAS
CSCD
北大核心
2024年第4期132-140,共9页
多标记事件预测是指预测多个相关联的事件是否会在未来发生,相比传统单标记事件预测,需要同时预测多个目标事件。现有的事件预测研究忽略各领域存在的多标记事件情境,且对多标记事件预测研究较少。提出一种基于事件演化图的多标记事件...
多标记事件预测是指预测多个相关联的事件是否会在未来发生,相比传统单标记事件预测,需要同时预测多个目标事件。现有的事件预测研究忽略各领域存在的多标记事件情境,且对多标记事件预测研究较少。提出一种基于事件演化图的多标记事件预测模型(MLEP),以实现基于事件演化图(EEG)的多标记事件预测研究模式。首先基于事件链构建事件演化图;然后对多标记事件预测问题进行问题转换,将多标记问题转化为单标记问题,利用事件表示学习方法获取所有事件的向量表示,对多标记事件进行编码;最后采用门控图神经网络(GGNN)框架构建多标记事件预测模型,根据相似度匹配出最优的后续事件,实现多标记事件的预测。在真实数据集上的实验结果表明,MLEP模型可以有效地预测出多标记事件,预测准确率达到了65.58%,性能优于大多现有的基准模型,提升幅度达到了4.94%以上。通过消融实验也证明了更好的事件表示学习方法对事件具有较好的表示效果,提升多标记事件预测的性能。
展开更多
关键词
多标记
事件
演化图
事件表示学习
门控图神经网络
事件
预测
在线阅读
下载PDF
职称材料
基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法
被引量：
11
2
作者
徐兴荣
刘聪
+3 位作者
李婷
郭娜
任崇广
曾庆田
《电子学报》
EI
CAS
CSCD
北大核心
2022年第8期1975-1984,共10页
业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神...
业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神经网络,然而,由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限,使得预测准确度还有进一步提升空间.因此,本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先,该方法以双向准循环神经网络构建剩余时间预测模型,并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次,设计了一种基于不同长度轨迹前缀训练迭代策略,解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后,提出一种基于Word2vec的事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验,本文方法与已有方法相比在预测准确度上平均提高近15%,模型训练时间平均缩短约26%.
展开更多
关键词
深度
学习
准循环神经网络
业务流程
剩余时间预测
事件表示学习
在线阅读
下载PDF
职称材料
题名
基于事件演化图的多标记事件预测模型
1
作者
王华珍
许泽
孙悦
丘斌
陈坚
邱强斌
机构
华侨大学计算机科学与技术学院
华侨大学厦门市计算机视觉与模式识别重点实验室
智业软件股份有限公司
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第4期132-140,共9页
基金
装备预研教育部联合基金(8091B022150)
2022年厦门市一般科技项目(3502Z20226037)
厦门市重大科技计划项目(3502Z20221021)。
文摘
多标记事件预测是指预测多个相关联的事件是否会在未来发生,相比传统单标记事件预测,需要同时预测多个目标事件。现有的事件预测研究忽略各领域存在的多标记事件情境,且对多标记事件预测研究较少。提出一种基于事件演化图的多标记事件预测模型(MLEP),以实现基于事件演化图(EEG)的多标记事件预测研究模式。首先基于事件链构建事件演化图;然后对多标记事件预测问题进行问题转换,将多标记问题转化为单标记问题,利用事件表示学习方法获取所有事件的向量表示,对多标记事件进行编码;最后采用门控图神经网络(GGNN)框架构建多标记事件预测模型,根据相似度匹配出最优的后续事件,实现多标记事件的预测。在真实数据集上的实验结果表明,MLEP模型可以有效地预测出多标记事件,预测准确率达到了65.58%,性能优于大多现有的基准模型,提升幅度达到了4.94%以上。通过消融实验也证明了更好的事件表示学习方法对事件具有较好的表示效果,提升多标记事件预测的性能。
关键词
多标记
事件
演化图
事件表示学习
门控图神经网络
事件
预测
Keywords
multi label
Event-Evolution Graph(EEG)
event representation learning
Gated Graph Neural Network(GGNN)
event-prediction
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法
被引量：
11
2
作者
徐兴荣
刘聪
李婷
郭娜
任崇广
曾庆田
机构
山东理工大学计算机科学与技术学院
山东科技大学计算机科学与工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2022年第8期1975-1984,共10页
基金
国家自然科学基金(No.61902222)
山东省泰山学者工程专项基金(No.ts20190936,No.tsqn201909109)
+1 种基金
山东省自然科学基金优秀青年基金(No.ZR2021YQ45)
山东省高等学校青创科技计划创新团队项目(No.2021KJ031)。
文摘
业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神经网络,然而,由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限,使得预测准确度还有进一步提升空间.因此,本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先,该方法以双向准循环神经网络构建剩余时间预测模型,并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次,设计了一种基于不同长度轨迹前缀训练迭代策略,解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后,提出一种基于Word2vec的事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验,本文方法与已有方法相比在预测准确度上平均提高近15%,模型训练时间平均缩短约26%.
关键词
深度
学习
准循环神经网络
业务流程
剩余时间预测
事件表示学习
Keywords
deep learning
quasi-recurrent neural network
business process
remaining time prediction
event representation learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TP311.5 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于事件演化图的多标记事件预测模型
王华珍
许泽
孙悦
丘斌
陈坚
邱强斌
《计算机工程》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法
徐兴荣
刘聪
李婷
郭娜
任崇广
曾庆田
《电子学报》
EI
CAS
CSCD
北大核心
2022
11
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
