徐濤 孟野

摘要：針對(duì)簡(jiǎn)單套用交接網(wǎng)絡(luò)等社會(huì)網(wǎng)絡(luò)分析方式不能很好地反映蹤跡聚類生成的一系列流程的組織實(shí)體的重要度的問(wèn)題，提出了一種蹤跡聚類下組織實(shí)體的重要度排序方法。首先，對(duì)于參與蹤跡聚類生成的一系列流程的組織實(shí)體構(gòu)建蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)；其次，定義基于蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)的節(jié)點(diǎn)重要度評(píng)估方法；最后，對(duì)蹤跡聚類下的各個(gè)組織實(shí)體節(jié)點(diǎn)計(jì)算其在關(guān)系網(wǎng)絡(luò)中的重要度評(píng)分并排序。實(shí)驗(yàn)結(jié)果表明，所提方法構(gòu)建的關(guān)系網(wǎng)絡(luò)相比蹤跡聚類下的交接網(wǎng)絡(luò)能夠更準(zhǔn)確地反映組織實(shí)體的實(shí)際重要度；與基于拓?fù)鋭?shì)的網(wǎng)絡(luò)社區(qū)節(jié)點(diǎn)重要度排序算法相比，所提方法的節(jié)點(diǎn)重要度排序結(jié)果更符合實(shí)際業(yè)務(wù)流程，能更好地區(qū)分關(guān)系網(wǎng)絡(luò)中重要度不同的節(jié)點(diǎn)。

關(guān)鍵詞：流程挖掘；組織挖掘；重要度排序；社會(huì)網(wǎng)絡(luò)；復(fù)雜網(wǎng)絡(luò)

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A

Abstract： Aiming at the issue that the social network analysis method like handover network cannot express the importance of organizational entities precisely， a method to sort the quantified importance of organizational entities organized under the trace clusters was proposed. Firstly， a relation network was constructed to describe the relationship between trace clusters and organizational entities； secondly， a quantitative assessment of the nodes importance of this network was defined； finally， all these nodes were sorted respectively according to their quantified importance. The experimental results show that this relation network can express the actual importance of organizational entities more precisely than the handover network generated by trace clustering. Compared to the importance sorting algorithm of network community nodes based on topological potential， the proposed method is more suitable for the actual business processes， meanwhile it can distinguish distinct organizational entities better than the importancesorting algorithm based on topological potential.

Key words：process mining； organizational mining； importance sorting； social network； complex network

0 引言

業(yè)務(wù)流程運(yùn)行數(shù)據(jù)往往來(lái)自于企業(yè)信息系統(tǒng)生成的業(yè)務(wù)流程日志，而流程挖掘（process mining）技術(shù)可以提取流程日志中的有用信息用于流程分析，并重現(xiàn)業(yè)務(wù)流程的真實(shí)過(guò)程，為管理者提供流程運(yùn)行的知識(shí)[1-2]。流程挖掘通過(guò)分析流程日志中的任務(wù)、 參與者和時(shí)間等數(shù)據(jù)，結(jié)合工作流管理和數(shù)據(jù)挖掘等相關(guān)技術(shù)，從控制流、組織結(jié)構(gòu)等角度提取流程運(yùn)行的知識(shí)，利用這些知識(shí)可以發(fā)現(xiàn)業(yè)務(wù)執(zhí)行與企業(yè)戰(zhàn)略目標(biāo)的偏差、流程瓶頸、組織之間的低效率協(xié)作等問(wèn)題，從而對(duì)業(yè)務(wù)流程進(jìn)行優(yōu)化[3]。

業(yè)務(wù)流程日志包含了一系列業(yè)務(wù)流程實(shí)例（instance）。業(yè)務(wù)流程實(shí)例可以表示為業(yè)務(wù)流程開(kāi)始到結(jié)束所調(diào)用的活動(dòng)的序列，這種活動(dòng)序列又被稱作蹤跡（trace），而組成蹤跡的活動(dòng)又對(duì)應(yīng)著不同的組織實(shí)體[1，4]。組織實(shí)體根據(jù)不同級(jí)別可分為執(zhí)行活動(dòng)的企業(yè)部門(mén)、員工等，是企業(yè)組織結(jié)構(gòu)的組成部分。因此，既可以通過(guò)流程挖掘算法挖掘蹤跡所可能表示的流程模型，又可以采用社會(huì)網(wǎng)絡(luò)分析方法挖掘蹤跡中活動(dòng)對(duì)應(yīng)的組織實(shí)體的交接網(wǎng)絡(luò)（handover network）等關(guān)系網(wǎng)絡(luò)[1，5]。通常情況下，流程模型的發(fā)現(xiàn)與組織挖掘是各自獨(dú)立的。

組織挖掘能夠發(fā)現(xiàn)組織實(shí)體之間的協(xié)作關(guān)系和組織實(shí)體在流程中的重要性。文獻(xiàn)[5]對(duì)某醫(yī)療流程中的醫(yī)務(wù)人員進(jìn)行模塊化的社區(qū)挖掘，每次迭代都計(jì)算社區(qū)聚類結(jié)果的模塊化程度，最后將模塊化最高的聚類作為團(tuán)體聚類結(jié)果，從而得到團(tuán)體內(nèi)部協(xié)作緊密，而團(tuán)體之間的協(xié)作關(guān)系松散的社區(qū)。繪制此醫(yī)療流程的社交圖譜，對(duì)同一社區(qū)的醫(yī)務(wù)人員進(jìn)行統(tǒng)一著色，通過(guò)人員節(jié)點(diǎn)間的連線體現(xiàn)醫(yī)務(wù)人員、團(tuán)體之間的協(xié)作程度，從而分析得出應(yīng)適當(dāng)增加對(duì)急救科的人員分配，以適應(yīng)急救環(huán)節(jié)在社交圖譜中所體現(xiàn)的中心地位，避免因人員不足影響整個(gè)流程的效率。

文獻(xiàn)[6]使用聚類算法分析了知識(shí)維護(hù)業(yè)務(wù)中員工之間的知識(shí)層次結(jié)構(gòu)。將交接網(wǎng)絡(luò)中，入度為0的節(jié)點(diǎn)的知識(shí)層次視為最低，出度為0的節(jié)點(diǎn)的知識(shí)層次視為最高，具有相同前驅(qū)和后繼節(jié)點(diǎn)的節(jié)點(diǎn)視為處于同一領(lǐng)域的同一知識(shí)層次。但該方法的挖掘結(jié)果與目標(biāo)單位的組織結(jié)構(gòu)對(duì)比往往存在較大不同，且該方法對(duì)普通員工在知識(shí)層次結(jié)構(gòu)中的專業(yè)知識(shí)水平估計(jì)過(guò)高，與實(shí)際情況存在差異。文獻(xiàn)[7]提出基于社會(huì)網(wǎng)絡(luò)分析的員工自動(dòng)組合方法，定義關(guān)鍵貢獻(xiàn)者、影響者和協(xié)調(diào)者三種特殊的社交角色，并分別通過(guò)度中心性、向量中心性、中間中心性對(duì)員工的重要性進(jìn)行度量。

企業(yè)實(shí)際業(yè)務(wù)流程日志往往表現(xiàn)出結(jié)構(gòu)化程度低的特點(diǎn)。傳統(tǒng)的流程挖掘算法在處理這類低結(jié)構(gòu)化流程時(shí)易生成結(jié)構(gòu)復(fù)雜且難于理解的流程模型，其原因在于這類流程挖掘算法難以為處于低抽象層次的流程日志指定合適的抽象層次，而蹤跡聚類是解決這一問(wèn)題的方式之一[8]。對(duì)蹤跡聚類后，意味著各類?ài)欅E所代表的實(shí)例之間具有相關(guān)性，因此可采用分治的策略將原始日志的流程模型表示為一系列結(jié)構(gòu)復(fù)雜度較低且易于理解的流程模型。蹤跡聚類解決了直接對(duì)原始日志進(jìn)行流程挖掘時(shí)流程模型難以理解的問(wèn)題，但同時(shí)，蹤跡聚類也相應(yīng)對(duì)組織實(shí)體生成的社會(huì)網(wǎng)絡(luò)構(gòu)成了一種新的社區(qū)劃分，簡(jiǎn)單套用元日志的社會(huì)網(wǎng)絡(luò)分析方法時(shí)，組織實(shí)體的實(shí)際重要度不能被準(zhǔn)確地表示。

本文提出一種基于蹤跡聚類的組織實(shí)體關(guān)系網(wǎng)絡(luò)的組織實(shí)體重要度排序方法，依照蹤跡聚類結(jié)果劃分該關(guān)系網(wǎng)絡(luò)的社區(qū)，并對(duì)組織實(shí)體在不同社區(qū)內(nèi)的重要度進(jìn)行度量。通過(guò)組織實(shí)體在不同社區(qū)中重要性的度量，對(duì)社區(qū)進(jìn)行區(qū)分和理解，同時(shí)，通過(guò)社區(qū)內(nèi)部組織實(shí)體的排序，體現(xiàn)社區(qū)內(nèi)實(shí)體的差異性，為針對(duì)組織結(jié)構(gòu)的真實(shí)情況開(kāi)展流程優(yōu)化提供幫助。

1 蹤跡聚類方法

蹤跡聚類結(jié)果通過(guò)對(duì)流程日志的蹤跡進(jìn)行聚類得到，為了得到有意義的蹤跡聚類結(jié)果，需對(duì)蹤跡進(jìn)行量化表征，并確定不同蹤跡間的相似性度量方式。以某產(chǎn)品售后服務(wù)流程為例，日志表1是某產(chǎn)品售后服務(wù)流程日志中流程實(shí)例的活動(dòng)組成，表中組成流程實(shí)例的活動(dòng)由大寫(xiě)字母表示，A代表收到返回產(chǎn)品與保修請(qǐng)求，B代表檢查產(chǎn)品，C代表核對(duì)保單，D代表通知客戶，E代表修理產(chǎn)品，F(xiàn)代表測(cè)試修理后的產(chǎn)品，G代表收取修理費(fèi)，H代表發(fā)送取消保修請(qǐng)求，I代表返回該產(chǎn)品。文獻(xiàn)[8]通過(guò)統(tǒng)計(jì)流程日志實(shí)例的活動(dòng)頻次，構(gòu)建蹤跡表示向量，并采用K均值、凝聚層次聚類（Agglomerative Hierarchical Clustering，AHC）、自組織映射（SelfOrganizing Map，SOM）等方法進(jìn)行蹤跡聚類。表2是對(duì)表1流程日志中蹤跡進(jìn)行活動(dòng)頻次統(tǒng)計(jì)后的蹤跡表示結(jié)果，可以加入組織結(jié)構(gòu)成員等統(tǒng)計(jì)信息進(jìn)一步擴(kuò)展蹤跡表示向量。文獻(xiàn)[9]基于上下文感知對(duì)蹤跡進(jìn)行距離，該文獻(xiàn)引入ngram模型構(gòu)建蹤跡表示向量。表3是引入2gram模型后，售后服務(wù)流程日志的蹤跡表示結(jié)果。文獻(xiàn)[10]將蹤跡表征為蹤跡中最大重復(fù)集合（maximal repeat set）等特征集合出現(xiàn)頻次的向量。

上述蹤跡聚類方法的思路均為通過(guò)構(gòu)建蹤跡表示向量對(duì)蹤跡進(jìn)行量化，將蹤跡聚類問(wèn)題轉(zhuǎn)化為一般性的聚類問(wèn)題，并用成熟的聚類算法求解。本文引入文獻(xiàn)[11-12]的混合概率模型估計(jì)蹤跡屬于各類簇的概率，用概率估計(jì)結(jié)果構(gòu)建蹤跡表示向量； 并采用文獻(xiàn)[13]的球面K均值算法（spherical Kmeans）進(jìn)行蹤跡聚類，將蹤跡聚類所得聚類結(jié)果應(yīng)用于后續(xù)的組織實(shí)體重要度排序中。

2 復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度評(píng)估方法

對(duì)業(yè)務(wù)流程應(yīng)用組織挖掘得到社會(huì)網(wǎng)絡(luò)后，可發(fā)現(xiàn)其節(jié)點(diǎn)多為流程日志中出現(xiàn)的各組織實(shí)體。因此復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的重要度評(píng)估方法對(duì)組織實(shí)體的重要度評(píng)估有重要參考價(jià)值。復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度評(píng)估方法主要有中心性指標(biāo)、基于最短路徑和基于凝聚度等。文獻(xiàn)[14]定義一種基于復(fù)雜網(wǎng)絡(luò)凝聚度的節(jié)點(diǎn)重要度評(píng)估方法，將網(wǎng)絡(luò)凝聚度定義為節(jié)點(diǎn)數(shù)與平均路徑長(zhǎng)度乘積的倒數(shù)，但這種方法不適合用于加權(quán)網(wǎng)絡(luò)。文獻(xiàn)[15]定義一種基于拓?fù)鋭?shì)的網(wǎng)絡(luò)社區(qū)節(jié)點(diǎn)重要度排序算法，該算法考慮到單純計(jì)算拓?fù)鋭?shì)并不能真正說(shuō)明節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要性，因此將社區(qū)中起不同作用的節(jié)點(diǎn)區(qū)分為內(nèi)部節(jié)點(diǎn)和邊界節(jié)點(diǎn)，計(jì)算各節(jié)點(diǎn)拓?fù)鋭?shì)后，再連接內(nèi)部節(jié)點(diǎn)和邊界節(jié)點(diǎn)排序結(jié)果。文獻(xiàn)[16]提出了一種評(píng)估加權(quán)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度方法，該方法以最短路徑為基礎(chǔ)，綜合考慮了節(jié)點(diǎn)的連接度和節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置，并重新定義了加權(quán)網(wǎng)絡(luò)D=（V，E）的凝聚度（D）為：

3 蹤跡聚類下的組織實(shí)體重要度排序

對(duì)蹤跡聚類得到的子業(yè)務(wù)流程而言，負(fù)責(zé)流程關(guān)鍵環(huán)節(jié)組織實(shí)體，往往有較高的流程實(shí)例參與頻次，并與其他個(gè)體有著更多交互與合作。所以可建?；谯欅E聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)，將組織實(shí)體的流程實(shí)例參與頻次量化為組織實(shí)體的重要度，并根據(jù)組織實(shí)體的實(shí)際情況，為組織實(shí)體設(shè)置合適的權(quán)重，從而綜合地進(jìn)行評(píng)估。

3.1 相關(guān)定義

傳統(tǒng)社會(huì)網(wǎng)絡(luò)分析方法較少利用組織實(shí)體在蹤跡聚類得到的子業(yè)務(wù)流程中的參與度等信息，為此可建立定義如下：

4 實(shí)驗(yàn)驗(yàn)證與分析

本文選用國(guó)內(nèi)某大型樞紐機(jī)場(chǎng)的流程日志數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。對(duì)日志數(shù)據(jù)集進(jìn)行預(yù)處理后結(jié)果如下：數(shù)據(jù)集共有流程實(shí)例記錄2006條，蹤跡540條；流程日志的組織實(shí)體分為部門(mén)、角色和資源三個(gè)級(jí)別，其中部門(mén)10個(gè)、角色20個(gè)、資源500人。進(jìn)行蹤跡聚類后，抽取其中的某一類簇對(duì)應(yīng)的流程日志進(jìn)行實(shí)驗(yàn)，該類簇的實(shí)際含義為機(jī)場(chǎng)的機(jī)位分配業(yè)務(wù)流程。

4.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文方法的合理性，選擇資源級(jí)別與角色級(jí)別的組織實(shí)體分別進(jìn)行基于蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)下組織實(shí)體重要度排序?qū)嶒?yàn)。選用節(jié)點(diǎn)度（node degree）直觀觀察節(jié)點(diǎn)在網(wǎng)絡(luò)中的地位，并簡(jiǎn)明地對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行排序。同時(shí)，考慮到度中心性指標(biāo)是衡量網(wǎng)絡(luò)節(jié)點(diǎn)重要性最為廣泛采用的方法 [17-18]；且網(wǎng)絡(luò)節(jié)點(diǎn)的重要度不僅和節(jié)點(diǎn)局部重要性有關(guān)，而且與其在網(wǎng)絡(luò)中所處位置以及節(jié)點(diǎn)之間的相互依賴程度密切相關(guān)[19-20]。因此，選用度中心性指標(biāo)中的接近中心性（closeness centrality）與中介中心性（betweeness centrality）對(duì)節(jié)點(diǎn)進(jìn)行進(jìn)一步的評(píng)估，并通過(guò)與重要度排序結(jié)果的對(duì)比驗(yàn)證方法的有效性。

4.2 組織實(shí)體重要度排序?qū)嶒?yàn)

4.2.1 實(shí)驗(yàn)1

將角色級(jí)別的基于蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)節(jié)點(diǎn)排序結(jié)果與蹤跡聚類下交接網(wǎng)絡(luò)節(jié)點(diǎn)的排序結(jié)果進(jìn)行對(duì)比，選取具有代表性的五個(gè)節(jié)點(diǎn)的排序結(jié)果如表4所示。蹤跡聚類下交接網(wǎng)絡(luò)節(jié)點(diǎn)度最大的節(jié)點(diǎn)為12號(hào)節(jié)點(diǎn)，對(duì)應(yīng)實(shí)際組織實(shí)體為駐場(chǎng)單位之一的廊橋維修公司。由于機(jī)位分配流程涉及到對(duì)廊橋的安排，因此廊橋維修會(huì)依照機(jī)場(chǎng)運(yùn)行控制相關(guān)角色的指令，頻繁進(jìn)行維修、待命等活動(dòng)，在本例的蹤跡聚類下的交接網(wǎng)絡(luò)中，廊橋維修公司的節(jié)點(diǎn)度為25，高于其他角色；運(yùn)行控制中心下屬的機(jī)位分配部門(mén)作為整個(gè)機(jī)位分配流程的中樞，需要對(duì)下屬角色下達(dá)指令，這類活動(dòng)不需要頻繁進(jìn)行，導(dǎo)致該節(jié)點(diǎn)度僅為6，其在交接網(wǎng)絡(luò)中的地位與實(shí)際情況有較大偏差。而基于蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)中，各節(jié)點(diǎn)的節(jié)點(diǎn)度排序與實(shí)際情況較為符合，說(shuō)明基于蹤跡聚類的組織實(shí)體關(guān)系網(wǎng)絡(luò)能夠比蹤跡聚類下的交接網(wǎng)絡(luò)更好地體現(xiàn)網(wǎng)絡(luò)中組織實(shí)體的實(shí)際情況。

4.2.2 實(shí)驗(yàn)2

繼續(xù)對(duì)角色級(jí)別的組織實(shí)體進(jìn)行重要度排序?qū)嶒?yàn)，結(jié)果如表5所示。重要度評(píng)分較高的3個(gè)節(jié)點(diǎn)為28號(hào)節(jié)點(diǎn)、11號(hào)節(jié)點(diǎn)與17號(hào)節(jié)點(diǎn)，分別對(duì)應(yīng)了機(jī)位分配流程中的運(yùn)控機(jī)位分配、航站樓指揮協(xié)調(diào)、飛行區(qū)指揮協(xié)調(diào)角色。節(jié)點(diǎn)28、11在關(guān)系網(wǎng)絡(luò)中的中心性指標(biāo)與重要度評(píng)分相吻合，節(jié)點(diǎn)17的中心性指標(biāo)較低。對(duì)流程日志統(tǒng)計(jì)發(fā)現(xiàn)，節(jié)點(diǎn)17參與的全部33個(gè)流程實(shí)例中，節(jié)點(diǎn)28或節(jié)點(diǎn)11也一同參與的實(shí)例個(gè)數(shù)達(dá)到了26個(gè)，且不存在其他頻繁出現(xiàn)的節(jié)點(diǎn)。 因此，節(jié)點(diǎn)17在中心性指標(biāo)較低的情況下得到了較高的重要度評(píng)分。

4.2.3 實(shí)驗(yàn)3

進(jìn)一步對(duì)資源級(jí)別的組織實(shí)體進(jìn)行重要度排序?qū)嶒?yàn)，結(jié)果如表6所示?？梢钥闯鲋匾仍u(píng)分最高的155號(hào)節(jié)點(diǎn)的在度、接近中心性、中介中心性三項(xiàng)指標(biāo)均有較高的值，證明該方法在推廣到數(shù)量更多的資源級(jí)別關(guān)系網(wǎng)絡(luò)時(shí)，也能較好地反映節(jié)點(diǎn)在關(guān)系網(wǎng)絡(luò)中的重要度。

4.2.4 實(shí)驗(yàn)4

選用文獻(xiàn)[15]基于拓?fù)鋭?shì)的網(wǎng)絡(luò)節(jié)點(diǎn)重要度排序算法對(duì)角色級(jí)別組織實(shí)體進(jìn)行重要度排序，其中算法的影響因子σ取優(yōu)化值1.0203[21]。文獻(xiàn)[15]算法所得重要度排序結(jié)果與本文算法排序結(jié)果的比較如表7所示。該算法所得排序結(jié)果中，重要度評(píng)分最高的節(jié)點(diǎn)與本文算法同為對(duì)應(yīng)運(yùn)控機(jī)位分配的28號(hào)節(jié)點(diǎn)，對(duì)應(yīng)廊橋維修公司的12號(hào)節(jié)點(diǎn)的重要度評(píng)分為0.067639，高于對(duì)應(yīng)航站樓指揮協(xié)調(diào)的11號(hào)節(jié)點(diǎn)的0.062033；對(duì)應(yīng)安保部門(mén)的13號(hào)節(jié)點(diǎn)的重要度評(píng)分為0.053064，高于對(duì)應(yīng)飛行區(qū)指揮協(xié)調(diào)的17號(hào)節(jié)點(diǎn)的0.049701。而廊橋維修公司與安保部門(mén)作為機(jī)場(chǎng)具體業(yè)務(wù)的實(shí)施角色，在實(shí)際的機(jī)位分配業(yè)務(wù)流程中，其重要程度不足以與負(fù)責(zé)指揮協(xié)調(diào)的航站樓指揮協(xié)調(diào)以及飛行區(qū)指揮協(xié)調(diào)兩大指揮角色相提并論。此外，該算法計(jì)算得到的節(jié)點(diǎn)重要度評(píng)分結(jié)果中，評(píng)分值同為0.040732的有6個(gè)節(jié)點(diǎn)，評(píng)分值同為0.041853的有3個(gè)節(jié)點(diǎn)，造成一些重要度評(píng)分值相同節(jié)點(diǎn)的重要度難以區(qū)分。該算法在反映節(jié)點(diǎn)的重要度時(shí)強(qiáng)調(diào)網(wǎng)絡(luò)中節(jié)點(diǎn)的局域連接密集程度的重要性，因此在空手道俱樂(lè)部網(wǎng)絡(luò)以及海豚關(guān)系網(wǎng)絡(luò)上實(shí)現(xiàn)了網(wǎng)絡(luò)中社區(qū)內(nèi)節(jié)點(diǎn)的有效區(qū)分，取得了較好的實(shí)驗(yàn)結(jié)果。但該算法不能很好地體現(xiàn)節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)或整個(gè)社區(qū)的地位，算法的組織實(shí)體排序結(jié)果雖然能夠根據(jù)業(yè)務(wù)流程關(guān)系網(wǎng)絡(luò)中節(jié)點(diǎn)的拓?fù)鋭?shì)找出業(yè)務(wù)流程中的最重要組織實(shí)體節(jié)點(diǎn)，但對(duì)于一些次重要的節(jié)點(diǎn)并不能很好地反映其實(shí)際重要度；同時(shí)，該算法在評(píng)價(jià)節(jié)點(diǎn)的重要度時(shí)，依賴于節(jié)點(diǎn)拓?fù)鋭?shì)的計(jì)算，因此當(dāng)網(wǎng)絡(luò)中存在局域連接密集程度相近的節(jié)點(diǎn)，易得到相同的節(jié)點(diǎn)重要度評(píng)分，此時(shí)相同評(píng)分節(jié)點(diǎn)的重要度便變得難以區(qū)分。而本文算法在構(gòu)造關(guān)系網(wǎng)絡(luò)后，通過(guò)蹤跡聚類信息進(jìn)行社區(qū)劃分，得到的排序結(jié)果與實(shí)際業(yè)務(wù)流程更為一致；同時(shí)由于加入了蹤跡聚類信息，對(duì)于局域連接密集程度相近節(jié)點(diǎn)的重要度也能夠根據(jù)蹤跡聚類的社區(qū)劃分計(jì)算出不同的評(píng)分從而加以區(qū)分。

5 結(jié)語(yǔ)

本文針對(duì)傳統(tǒng)社會(huì)網(wǎng)絡(luò)分析方法對(duì)蹤跡聚類得到的業(yè)務(wù)流程進(jìn)行組織挖掘時(shí)表現(xiàn)不佳的問(wèn)題，提出了一種基于蹤跡聚類與組織實(shí)體關(guān)系網(wǎng)絡(luò)的組織實(shí)體重要度排序方法，通過(guò)建模蹤跡聚類與組織實(shí)體間的關(guān)系網(wǎng)絡(luò)，對(duì)關(guān)系網(wǎng)絡(luò)中的組織實(shí)體節(jié)點(diǎn)進(jìn)行重要度評(píng)分的計(jì)算，從而對(duì)不同蹤跡聚類下各級(jí)別的組織實(shí)體進(jìn)行重要度排序。實(shí)驗(yàn)表明組織實(shí)體的重要度排序結(jié)果能夠反映為關(guān)系網(wǎng)絡(luò)在節(jié)點(diǎn)中的重要度排序，從而解決前述問(wèn)題，并有助于對(duì)蹤跡聚類結(jié)果的理解。

參考文獻(xiàn)：

[1]van der AALST W M P. Process Mining： Discovery， Conformance and Enhancement of Business Processes[M]. Berlin： Springer Science & Business Media， 2011： 11-16.

[2]ROZINAT A， de JONG I S M， GUNTHER C W， et al. Process mining applied to the test process of wafer scanners in ASML[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part C： Applications and Reviews， 2009， 39（4）： 474-479.

[3]van der AALST W M P， ADRIANSYAH A， de MEDEIROS A K A， et al. Process mining manifesto[C]// Proceedings of the 10th International Conference on Business Process Management. Berlin： Springer， 2012： 169-194.

[4]van der AALST W M P， DUSTDAR S. Process mining put into context[J]. IEEE Internet Computing， 2012， 16（1）： 82-86.

[5]FERREIA D R， ALVES C. Discovering user communities in large event logs[C]// Proceedings of the 7th International Workshop on Business Process Intelligence. Berlin： Springer， 2012： 123 -134.

[6]LI M， LIU L，YIN L， et al. A process mining based approach to knowledge maintenance[J]. Information Systems Frontiers， 2011， 13（3）： 371-380.

[7]LIU R， AGAWAL S， SINDHGATTA R R， et al. Accelerating collaboration in task assignment using a socially enhanced resource model[C]// Proceedings of the 11th International Conference of Business Process Management. Berlin： Springer， 2013， 8094： 251-258.

[8]SONG M， GUNTHER C W， van der AALST W M P. Trace clustering in process mining[C]// Proceedings of the 7th International Conference on Business Process Management. Berlin： Springer， 2009： 109-120.

[9]BOSE R P J C， van der AALST W M P. Context aware trace clustering： towards improving process mining results[C]// Proceedings of the 2009 SIAM Data Mining Conference. Philadelphia： SIAM， 2009： 401-412.

[10]BOSE R P J C， van der AALST W M P. Trace clustering based on conserved patterns： towards achieving better process models[C]// Proceedings of the 8th International Conference on Business Process Management. Berlin： Springer， 2010： 170-181.

[11]SUN Y， HAN J， ZHAO P， et al. RankClus： integrating clustering with ranking for heterogeneous information network analysis[C]// Proceedings of the 12th International Conference on Extending Database Technology： Advances in Database Technology. New York： ACM， 2009： 565-576.

[12]SUN Y， YU Y， HAN J. Rankingbased clustering of heterogeneous information networks with star network schema[C]// Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2009： 797-806.

[13]ZHONG S. Efficient online spherical kmeans clustering[C]// Proceedings of the 2005 IEEE International Joint Conference on Neural Networks. Piscataway， NJ： IEEE， 2005： 3180-3185.

[14]譚躍進(jìn)，吳俊，鄧宏鐘.復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)重要度評(píng)估的節(jié)點(diǎn)收縮方法[J].系統(tǒng)工程理論與實(shí)踐，2006，26（11）：79-83.（TAN Y J， WU J， DENG H Z. Evaluation method for node importance based on node contraction in complex networks[J]. Systems Engineering — Theory & Practice， 2006， 26（11）： 79-83.）

[15]張健沛，李泓波，楊靜，等.基于拓?fù)鋭?shì)的網(wǎng)絡(luò)社區(qū)結(jié)點(diǎn)重要度排序算法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2012，33（6）：745-752.（ZHANG J P， LI H B， YANG J， et al. An importancesorting algorithm of network community nodes based on topological potential[J]. Journal of Harbin Engineering University， 2012， 33（6）： 745-752.）

[16]朱濤，張水平，郭茂瀟，等.改進(jìn)的加權(quán)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要度評(píng)估的收縮方法[J].系統(tǒng)工程與電子技術(shù)，2009，31（8）：1902-1905.（ZHU T， ZHANG S P， GUO M X， et al. Improved evaluation for node importance based on node contraction in weighted complex networks[J]. Systems Engineering and Electronics， 2009， 31（8）： 1902-1905.）

[17]CHEN D， LU L， SHANG M， et al. Identifying influential nodes in complex networks[J]. Physica A： Statistical Mechanics and its Applications， 2012， 391（4）： 1777-1787.

[18]陳靜，孫林夫.復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)重要度評(píng)估[J].西南交通大學(xué)學(xué)報(bào)，2009，44（3）：426-429.（CHEN J， SUN L F. Evaluation of node importance in complex networks[J]. Journal of Southwest Jiaotong University， 2009， 44（3）： 426-429.）

[19]趙毅寰，王祖林，鄭晶，等.利用重要性貢獻(xiàn)矩陣確定通信網(wǎng)中最重要節(jié)點(diǎn)[J].北京航空航天大學(xué)學(xué)報(bào)，2009，35（9）：1076-1079.（ZHAO Y H， WANG Z L， ZHENG J， et al. Finding most vital node by node importance contribution matrix in communication networks[J]. Journal of Beijing University of Aeronautics and Astronautics， 2009， 35（9）： 1076-1079.）

[20]周漩，張鳳鳴，李克武，等.利用重要度評(píng)價(jià)矩陣確定復(fù)雜網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)[J].物理學(xué)報(bào)，2012，61（5）：050201.（ZHOU X， ZHANG F M， LI K W， et al. Finding vital node by node importance evaluation matrix in complex networks[J]. Acta Physica Sinica， 2012， 61（5）： 050201.）

[21]淦文燕，赫南，李德毅，等.一種基于拓?fù)鋭?shì)的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法[J].軟件學(xué)報(bào)，2009，20（8）：2241-2254.（GAN W Y， HE N， LI D Y， et al. Community discovery method in networks based on topological potential[J]. Journal of Software， 2009， 20（8）： 2241-2254.）