第五讲-流程挖掘（Process Mining）学习日志之过程发现基础

概要

过程发现 (Process Discovery) 是最富有挑战性的过程挖掘任务之一。基于一个事件日志，我们可以构建出一个反映日志行为的过程模型。本章将采用基础α算法来阐述过程挖掘主题，该算法能够帮助理解过程挖掘算法的一般思想以及过程发现的概念。同时，α算法也为我们讨论过程发现领域的相关挑战奠定了基石。

过程挖掘的三种类型：发现(discovery)、合规性(conformance) 和改进 (enhancement)
过程挖掘的多种视角：控制流视角、组织或资源视角、数据视角和时间视角
关注发现（discovery）以及控制流视角，这两者的结合称为过程发现。

5.1 一般过程发现问题

L 是一个符合 XES 标准（参考第四讲中4.3节）的事件日志。过程发现算法是将 L 映射到一个过程模型的函数，这个过程模型能够代表事件日志所反映出来的行为。其挑战在于寻找这个的算法。

在上述定义中，并没有指定生成过程模型的具体种类，例如一个BPMN 、EPC、YAWL 或者 Petri 网模型。此外，事件日志带有的属性也可以作为输入。尽管此处我们关注的是控制流视角，但 XES 格式允许存储所有视角的相关信息。定义中唯一的要求是行为具有代表性，但是定义并没有说清楚这个要求意味着什么。

该定义比较宽泛和模糊，不但没有指定目标格式，还使用一个可能非常丰富的事件日志作为输入，同时也没有给出明确的要求。为了使事情变得更加清晰，我们将目标定义为一个 Petri 网模型，同时我们使用一个简单事件日志作为输入(参考第四讲定义4.4)。 一个简单事件日志 L 是一个轨迹 (trace) 的集合，其中每一个轨迹都是活动集合 B 的子集，即 L∈B(A)，例如：
L₁=[<a,b,c,d>³,<a,c,b,d>²,<a,e,d>]
L₁是一个描述6个案例历史的