在使用动态图神经网络进行业务流程建模时的活动推荐

《Engineering Applications of Artificial Intelligence》：Activity recommendation in business process modeling with dynamic graph neural network

　　 Gong子尤 | 方宪文
安徽科学技术大学数学与大数据学院，淮南，中国

**摘要**
在业务流程建模中自动推荐新活动可以为流程设计者提供极大的便利。以往的推荐方法仅依赖业务流程模型图的静态结构，或者未能考虑业务流程图中活动之间的长距离依赖性，这在捕捉业务流程的上下文信息方面效果不佳，从而导致推荐质量低下。由于业务流程模型不仅包含图结构的静态特征，还包含执行的动态语义，本文提出了一种基于动态图神经网络的活动推荐方法，通过动态图表示学习来掌握这些动态特征。首先，根据基于Petri网的过程模型的转换触发规则生成表示业务流程动态变化的图序列。然后使用空间网络提取图序列中每个时间步长的业务流程图结构特征，而时间网络则捕捉其随时间的演变。最后，利用动态图神经网络学习到的节点嵌入来预测候选活动节点与已知活动节点之间的关联，从而实现新活动的推荐。在两个公开的业务流程模型库上的实验结果表明，所提出的方法比现有方法能够提供更合适的活动推荐。

**引言**
现代企业和组织依赖明确定义的流程来管理和组织业务。业务流程建模涉及根据业务需求选择适当的活动来构建流程模型。这些模型通常使用特定的符号（如Petri网、BPMN和EPC）来描述流程，这些符号以特定活动或子流程之间的依赖关系来表示流程（van der Aalst, 2011）。随着业务复杂性的增加，以及构建流程模型需要建模经验和领域知识，业务流程的设计和建模变得越来越困难和耗时。这也提高了建模人员的技术学习成本。因此，在业务流程建模过程中自动推荐相关活动可以帮助建模人员更轻松地构建合适的流程模型。

**现有的业务流程建模活动推荐方法**
现有的业务流程建模活动推荐方法通常从流程模型库中提取知识，并通过挖掘流程模型中活动之间的关系来指导活动推荐。基于规则的方法（Sola等人，2021b, 2022a）通过提取业务流程模型中所有活动之间的关系来构建规则集或知识图，然后推荐符合规则或与正在开发的流程模型中的知识图相似的新活动。这些方法只能建模相邻活动之间的关系，而忽略了业务流程模型中的长期依赖性。基于序列推荐的方法（Sola等人，2023）学习业务流程模型中的所有序列路径，然后根据序列模型的预测给出新不完整路径的下一个可能活动。然而，当业务流程模型中的多个活动是并行的时，基于序列建模的推荐方法通常无法捕捉到这种并行性。由于业务流程模型通常以图形方式表示，业务流程的活动可以组成一个图。一些工作提出了基于图匹配的方法，通过图编辑距离（GED）查找相似的业务流程图模式，并据此进行推荐（Cao等人，2012；Li等人，2013；Deng等人，2016）。然而，这些方法只考虑了业务流程模型的静态图结构，忽略了业务流程模型本身的动态属性。此外，计算GED是一个复杂度较高的算法，难以应用于大型业务流程模型库。

**业务流程模型的特点**
业务流程模型是用于描述组织业务活动及其逻辑关系的工具，它们通常可以用具有执行语义的符号来表示，例如Petri网和BPMN。例如，由Petri网表示的业务流程模型可以通过Petri网的运行语义来形式化表示，业务流程实例可以由Petri网中触发的所有转换组成。如图1所示，这是一个正在开发中的业务流程模型。绿色流程实例从“接收发票”活动开始，在“填写会计信息”活动之后推荐了两个可选活动“支付供应商”和“更新应付账款”。在这个流程实例中，“批准发票”活动之后没有给出任何推荐。假设推荐系统给出这两个活动推荐的概率为50%，这意味着这两个活动都可能是“填写会计信息”之后的下一个活动，并且它们是并行的。橙色流程实例在“批准发票”活动之后推荐了“通知会计部门”活动，其概率远高于其他候选活动。此外，在这个流程实例的其他地方没有给出任何推荐，表明“批准发票”之后只有一个活动“通知会计部门”，并且这个活动仅限于绿色流程实例中的“发送已批准发票”活动。使用这种具有执行意识的功能表示的业务流程模型不仅具有静态图结构特征，还包含流程执行的动态特征，这些特征通常不会在原始数据中明确呈现。在实际执行过程中，业务流程的结构会动态变化。每个正确完成的业务流程实例代表一个完整的执行轨迹，它们共同构成了业务流程模型的动态表示。

**动态图神经网络在图表示学习中的应用**
动态图神经网络专门用于从动态图数据中学习，使它们能够捕捉动态结构特征的时间演变。因此，本文提出了一种基于动态图神经网络的业务流程建模的新活动推荐方法。该方法利用Petri网表示的业务流程模型的执行语义来生成业务流程实例的动态图结构表示。由于Petri网中的转换节点对应于业务流程中的活动，我们可以模拟Petri网的执行（也称为播放），然后将触发的转换序列转换为活动节点以形成动态流程图。随后，使用动态图神经网络学习该动态图上的节点表示。它利用空间自注意力机制来学习每个时间步长的业务流程图的结构特征，然后利用时间自注意力机制来捕捉业务流程结构的时间演变。最后，利用动态图神经网络学习到的节点嵌入来预测未来节点与已知节点之间的关联，以实现活动推荐。在公开的业务流程模型库上的实验结果表明，所提出的方法能够有效地从业务流程模型中学习表示信息，并在业务流程建模过程中提供适当的活动推荐。

**本文的其余部分结构**
第2节介绍了图表示学习、动态图神经网络和业务流程建模中的活动推荐的相关工作。第3节介绍了业务流程管理和图神经网络的基础知识。第4节介绍了该方法的主要框架。第5节描述了实验中使用的数据、实验设置以及本文中介绍的方法的评估。第7节对本文进行了总结，并展望了未来的工作。

**参考文献片段**
**图表示学习**
近年来，图神经网络（GNN）已成为图表示学习领域最受欢迎的研究课题。例如，图卷积神经网络（GCN）（Kipf和Welling，2017）通过图上的卷积来学习节点的表示，其中每个节点的特征与其邻居的特征相结合。图注意力网络（GAT）（Veli?kovi?等人，2018）通过将注意力机制应用于图卷积来提出。

**定义**
本节介绍了以下相关基本概念的定义：
**定义1 Petri网**
Petri网PN=(P, T, F, A, π)可用于表示业务流程，其中P是地点的集合，T是转换的集合，F?(P×T)∪(T×P)是从地点到转换以及从转换到地点的流动关系。这三个元素构成了最基本的Petri网。A是所有可能的活动集合，π:T→A是一个将转换映射到活动的函数。

**方法论**
本节介绍了我们提出的基于动态图神经网络的业务流程建模活动推荐方法的框架。该框架如图3所示。首先，我们从文档库中预处理业务流程模型，将其转换为动态图，然后对这些序列进行编码以训练动态图神经网络。训练好的网络随后被用于在建模过程中推荐新活动。

**实验数据**
在实验评估中，我们使用了SAP Signavio Academic模型（SAP-SAM）（Sola等人，2022b）数据集和Business Process Management Academic Initiative（BPMAI）数据集（Weske等人，2020）。这些都是目前公开可访问的业务流程模型集合，包括使用不同建模符号和语言从各种领域创建的各种业务流程模型和其他业务模型。从这些集合中，我们首先选择了所有……

**讨论**
为了分析我们方法在实际应用中的可能性，我们讨论了运行时间和可扩展性。以下是我们的方法的主要步骤：（1）输入原始业务流程模型。如果不是Petri网模型，则需要将其转换为Petri网模型；（2）对每个业务流程模型进行播放以生成图序列。生成图序列的长度……

**结论**
在本文中，我们提出了一种基于动态图神经网络的业务流程建模活动推荐方法。通过将动态图神经网络引入业务流程建模活动推荐，该方法不仅可以学习业务流程模型的静态结构，还可以捕捉业务流程的动态属性。它使用空间自注意力机制和时间自注意力机制来学习静态结构特征和时间……

**作者贡献声明**
Gong子尤：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。
Fang宪文：撰写——审阅与编辑、监督、资源管理、项目行政、资金获取。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

**致谢**
本研究得到了国家自然科学基金（编号61572035）、安徽省自然科学基金（编号2308085US11）、安徽省教育厅科研项目（编号2025AHGXZK10007）、安徽省学术和技术领军人才基金（编号2022D327）、国家重点科技计划子项目（编号BX2024C087）以及安徽省大数据分析与预警技术工程实验室开放研究基金的支持。