[论文解读] Mining Process Model Descriptions of Daily Life through Event Abstraction

Niek Tax, Natalia Sidorova+2 more|TU/e Research Portal (Eindhoven University of Technology)|May 25, 2017

Business Process Modeling and Analysis被引用 6

一句话总结

本文提出了一种监督学习框架，将智能家居日志中的低层级传感器事件抽象为更高级别的人员活动事件，从而实现更精确且可解释的过程模型。通过从XES标准事件日志中提取特征，并利用标注的日记数据进行训练，该方法提升了过程发现的准确性，减少了过度泛化现象，并在真实世界数据集上生成了行为受约束的模型。

ABSTRACT

Process mining techniques focus on extracting insight in processes from event logs. Process mining has the potential to provide valuable insights in (un)healthy habits and to contribute to ambient assisted living solutions when applied on data from smart home environments. However, events recorded in smart home environments are on the level of sensor triggers, at which process discovery algorithms produce overgeneralizing process models that allow for too much behavior and that are difficult to interpret for human experts. We show that abstracting the events to a higher-level interpretation can enable discovery of more precise and more comprehensible models. We present a framework for the extraction of features that can be used for abstraction with supervised learning methods that is based on the XES IEEE standard for event logs. This framework can automatically abstract sensor-level events to their interpretation at the human activity level, after training it on training data for which both the sensor and human activity events are known. We demonstrate our abstraction framework on three real-life smart home event logs and show that the process models that can be discovered after abstraction are more precise indeed.

研究动机与目标

• 解决从智能家居环境中低层级传感器事件推导出的过程模型不够精确的问题。
• 克服传感器层级事件日志的局限性，这些日志会产生过度泛化且难以解释的过程模型。
• 通过将传感器层级事件转换为有意义的人类活动标签，实现对人类行为的直接分析。
• 开发一种可扩展的、基于标注智能家居数据的监督学习方法，用于事件抽象。
• 通过生成行为上更具体且人类可理解的过程模型，改善过程挖掘结果。

提出的方法

• 使用时间戳、资源信息和事件属性等扩展，从XES标准事件日志中提取特征。
• 利用日记标注的训练数据，训练监督机器学习模型，将传感器层级事件映射到人类活动标签。
• 采用三级分类体系（方向、类别、子类别）定义目标活动标签，以类别层级作为主要抽象目标。
• 使用Damerau-Levenshtein相似性度量评估预测与真实活动标签之间的抽象准确性。
• 应用Inductive Miner算法，从原始传感器层级日志和抽象后的人类活动层级日志中发现过程模型。
• 采用留一轨迹交叉验证方法，评估模型在不同智能家居数据集上的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 从传感器层级事件到人类活动层级事件的监督事件抽象，是否能提升智能家居环境中发现的过程模型的精确度？
• RQ2 所提出的特征提取框架在捕捉XES标准事件日志中用于事件抽象的相关模式方面，效果如何？
• RQ3 与直接在传感器层级数据上挖掘相比，抽象在多大程度上减少了过程模型的过度泛化？
• RQ4 在不同数据量和活动多样性各异的智能家居数据集中，抽象准确性如何变化？
• RQ5 与传感器层级模型相比，生成的过程模型是否在行为上更具特异性，且对人类专家更具可解释性？

主要发现

• 所提出的抽象框架通过减少过度泛化的行为主张，显著提升了过程模型的精确度，表现为抽象后模型结构更加受限。
• 在MIT Household A数据集中，抽象的Damerau-Levenshtein相似度达到0.6348，表明预测标签与实际人类活动标签高度一致。
• 在MIT Household B数据集中，抽象准确度较低，为0.5865，主要由于训练数据较少（1932 vs. 2701个事件）以及活动多样性更高。
• 从抽象后的人类活动层级轨迹中发现的过程模型表现出更高的精确度，同时保持了高拟合度，表明在未显著损失数据拟合度的前提下，行为特异性得到提升。
• 抽象后模型的形状与结构（如更少的大规模选择块）在视觉上证实了相比传感器层级模型，过度泛化现象已显著减少。
• 该框架成功实现了在人类活动层级上挖掘可解释的过程模型，直接支持了环境辅助生活和生活方式指导等应用。