(12)发明专利申请
(10)申请公布号 CN 112364220 A(43)申请公布日 2021.02.12
(21)申请号 202011321941.7(22)申请日 2020.11.23
(71)申请人 南京摄星智能科技有限公司
地址 210000 江苏省南京市经济技术开发
区兴智路6号兴智科技园C栋1211室(72)发明人 暴利花 杨理想 王银瑞 苏洪全
刘海龙 吕宁 黄宁宁 冯小猛 周祥军 宋丽娜 (74)专利代理机构 南京中律知识产权代理事务
所(普通合伙) 32341
代理人 沈振涛(51)Int.Cl.
G06F 16/906(2019.01)G06F 16/901(2019.01)G06N 3/04(2006.01)
权利要求书4页 说明书9页
(54)发明名称
一种业务流程引导自学习优化算法(57)摘要
本发明提供了一种业务流程引导自学习优化算法，具体为：首先，基于挖掘模式的业务流程组织及自适应算法，根据综合知识驱动的相似性流程类别划分算法和联合学习的分类别业务操作模式，并在挖掘模式的基础上完成各个业务流程的自适应问题；其次，基于操作图与数据汇聚的全局业务流程智能引导算法，根据共耦神经网络的操作图谱与数据汇聚算法、复杂图结构最短路径寻优的业务流程智能引导算法和图网络构造的层次网络的中心性算法；最后，通过基于智能边缘与后台大中心全链路多维数据的引导环境构建处理，结合深度强化学习，完成基于全链路多维数据复合引导的流程自学习优化。该算法能屏蔽不必要业务领域，实现以任务为目的点到点的业务引导。
CN 112364220 ACN 112364220 A
权 利 要 求 书
1/4页
1.一种业务流程引导自学习优化算法，其特征在于：具体步骤如下：首先，基于挖掘模式的业务流程组织及自适应算法，根据综合知识驱动的相似性流程类别划分算法和联合学习的分类别业务操作模式，并在挖掘模式的基础上完成各个业务流程的自适应问题；
其次，基于操作图与数据汇聚的全局业务流程智能引导算法，根据共耦神经网络的操作图谱与数据汇聚算法、复杂图结构最短路径寻优的业务流程智能引导算法和图网络构造的层次网络的中心性算法；
最后，通过基于智能边缘与后台大中心全链路多维数据的引导环境构建处理，结合深度强化学习，完成基于全链路多维数据复合引导的流程自学习优化。
2.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：所述综合知识驱动的相似性流程类别划分算法，该算法的具体的方法是：
(1)使用Petri网建立流程模型；
(2)结合流程中各个元素的相对位置和逻辑关系，对流程模型内的元素，包括变迁与库所分别迭代式的进行映射策略调整，以找到它们在不同流程中的关联关系；
(3)获得一个稳定的最佳映射函数后，计算整体流程间相似系数；(4)通过元素对的结构相似系数和全局结构相似系数，
定义业务流程相似系数:提出了元素对的结构相似系数ESS和全局结构相似系数SSM的概忽略任务的包括但不限于任务形式为，文本标签的外在性质差异，针对流程的并发、异步、选择等逻辑结构，给出具体可量化的数值，描述元素之间和流程之间的结构相似程度；
(5)在业务流程相似性度量：采用粗粒度的计算方法，在经过自动化基于内部结构的业务流程相似性度量的研究，调整得出的最佳映射函数的基础上，通过量化地分析和计算所有映射元素间的整体相似程度，最终确定一个介于[0，1]之间的流程相似系数；
(6)对不同时期所产生的不同流程版本进行比较和评估，定位异变位置与异变类型，建立管理知识库，用于在面对新改变时，提高流程的进化效率，或促进不同的改变以适应环境的变化。
3.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：联合学习的分类别业务操作模式按照将每个事件序列由时间图表示，再将带时间间隔的序列模式挖掘算法来挖掘序列模式，最后进行聚类划分完成实现。
4.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：所述基于共耦神经网络的操作图谱与数据汇聚算法是通过采用贝叶斯网络来描述业务操作的运行机制，在基于参数共享的交叉训练机制来实现操作图谱与知识、数据的汇聚、融合表示学习；运行机制中包括网络的结点对应于流程业务网络运行机制本体描述中的条件和约束，以及计划中涉及的计划片段和实体的行动、网络的边对应于这些结点所代表的概念之间的逻辑关系，包含流程业务网络运行机制本体描述中的计划及其子概念对其他行动、计划片段、条件和约束的依赖关系；运作机制本体描述中计划片段对实体及行动包含关系、以及计划中的时序关系。
5.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：复杂图结构最短路径寻优的业务流程智能引导算法是通过图网络构造层次网络，采用层次网络的迭代计算方法来实现；
2
CN 112364220 A
权 利 要 求 书
2/4页
其中图网络构造层次网络时，是对于从低到高的各级层次网络，将网络中所有节点作为普通节点并做如下的迭代：
①选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居，除了超级节点以外的节点，构成一个超级节点；
②重构节点间的连边，将指向超级节点内成员的连边指向超级节点，此时相同节点对之间的多条连边被合并成一条；
③继续该聚合过程，直到网络中所有节点都聚合成超级节点后，结束当前层次网络的聚合迭代过程；此时所有聚合得到的超级节点将作为下一级层次网络中的普通节点，因此下一级层次网络的规模将变小；
④如果当前层次网络中节点的数量低于某个阈值，则停止迭代聚合过程和层次网络的构造，此时得到的网络就是最高级层次网络。
6.根据权利要求5所述业务流程引导自学习优化算法，其特征在于：所述层次网络的迭代计算方法，通过构造层次网络不断聚合网络的中心节点及其邻居，直到将原始网络转换成规模很小的最高级层次网络，在层次网络的基础上，利用各级层次网络中节点到中心节点的近似距离迭代计算原始网络中任意两点间的最短路径；
定义
为第i级层次网络中节点s到t的近似距离，原始网络中节点s到t的最短路
得到，而距离
由各级层次网络的迭代计算方法：
径距离d＝(s，t)由0级层次网络的近似距离中的近似距离
迭代计算得到(其中i≥0)，得到近似距离
上述公式中Cs和Ct为节点s和t的中心节点，表示节点s到它的中心节点c的近似
距离。
7.根据权利要求6所述业务流程引导自学习优化算法，其特征在于：上述近似距离
的迭代计算方法具体过程为：
在构建层次网络的过程中，算法会选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居，除了超级节点以外的节点，构成一个超级节点，该超级节点将作为下一级层次网络中的普通节点；
根据第i级层次网络中节点s到中心节点c的近似距离
来定义第i+1级层次网络
中节点的半径ri+1；当在0级层次网络中节点的半径是0，节点到中心节点的距离是1；在1级层次网络中节点的半径是1，节点到中心节点的距离是3；以此类推，
第i级层次网络的中心节点
和
分别对应第i+1级层次网络中的普通节点si+1和ti+1，
第i级层次网络中节点的半径是ri，第i+1级层次网络中节点的半径ri+1＝2ri+1。于是近似得到第i级层次网络中节点半径的均值ri：
其中k表示层次网络中不同规模网络的数目，根据第i级层次网络中节点s到中心节点c
3
CN 112364220 A
权 利 要 求 书
的计算公式：
3/4页
的近似距离
结合上述两个公式，得到近似距离的迭代计算公式：
其中，dk-1(s，t)表示在最高级层次网络中节点s和t之间的近似距离等于Dijkstra算法计算得到的实际距离；在最高级层次网络中节点s和t之间的边距被近似为2rk+1＝4*k-5。
8.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：图网络构造的层次网络的中心性算法包括接近中心性算法和介数值计算方法；其中接近中心性算法是通过在最短路径近似算法的基础上，利用层次网络和迭代计算方法，计算网络中所有节点到其他节点的最短路径距离总和，从而得到所有节点的接近值；再对网络中所有节点进行排序，得到的结果就是网络中节点的接近中心性的算法；
介数值计算方法是先通过构造层次网络对原始网络进行迭代聚合，直到得到最高级层次网络；再利用Diikstra算法计算最高级层次网络中节点之间的最短路径，并通过最短路径计算最高级层次网络中经过节点的最短路径数目。
9.根据权利要求1所述业务流程引导自学习优化算法，其特征在于：基于智能边缘与后台大中心全链路多维数据的引导环境构建，具体的方法是：
根据值函数的定义，定义策略π的值函数为：
其中R(s)表示未知的回报函数，利用函数逼近的方法对其进行参数逼近，其逼近形式可设为φ(s)，其为基函数，或多项式基底，或为傅里叶基底；逆向强化学习求的是回报函数中的系数w；
定义特征期望为：
当给定m条专家轨迹后，专家策略的特征期望为：
找到一个策略，使得该策略的表现与专家策略相近；通过利用特征期望来表示一个策略的好坏，当计算如下不等式成立，找到一个策略，使其表现与专家策略相近
4
CN 112364220 A
权 利 要 求 书
4/4页
当该不等式成立时，对于任意的权重||w||1≤1，值函数满足如下不等式：
目标函数的标准化形式为：
T(j)s.t.wTμj＝0，…，i-1E≥wμ+t，||w||2≤1
专家策略为一类，其他策略为另一类，参数的求解其实就是找一条超曲面将专家策略和其他策略区分开来，这个超平面使得两类之间的边际最大。
5
CN 112364220 A
说 明 书
一种业务流程引导自学习优化算法
1/9页
技术领域
[0001]本发明属于业务流程理解、流程划分和业务操作模式挖掘引导、业务流程的自适应组织技术领域，特别涉及一种业务流程引导自学习优化算法。背景技术
[0002]现在针对大规模业务网络中，存在大量相似的业务流程和功能划分类别，需要进行也要流程的理解，流程划分等处理工序。另外，为了控制业务链路长度，屏蔽不必要业务领域，实现以任务为目的的点到点的业务引导的最短路径寻优的业务流程引导时，存在以下问题：(1)挖掘业务流程繁琐，挖掘模式比较单一，耗费大量人力物力和财力；(2) 由于业务操作与数据、知识分离，导致业务流程耗时耗力、参谋学习曲线极其陡峭、用户在业务回路的涉入次数过多等问题。
发明内容
[0003]为了解决上述技术难题，本发明针对边缘计算和后台大中心全链路数据丰富多维的特点，构建适用于深度强化学习的虚拟引导环境，在此之上，基于数据、知识、业务等，研究流程优化自学习智能模型算法，实现快速迭代试错，找到最优的业务流程引导路径。实现本发明目的的技术解决方案为：一种业务流程引导自学习优化算法，具体步骤如下：[0004]首先，基于挖掘模式的业务流程组织及自适应算法，根据综合知识驱动的相似性流程类别划分算法和联合学习的分类别业务操作模式，并在挖掘模式的基础上完成各个业务流程的自适应问题；[0005]其次，基于操作图与数据汇聚的全局业务流程智能引导算法，根据共耦神经网络的操作图谱与数据汇聚算法、复杂图结构最短路径寻优的业务流程智能引导算法和图网络构造的层次网络的中心性算法；[0006]最后，通过基于智能边缘与后台大中心全链路多维数据的引导环境构建处理，结合深度强化学习，完成基于全链路多维数据复合引导的流程自学习优化。[0007]作为改进，所述综合知识驱动的相似性流程类别划分算法，该算法的具体的方法是：[0008](1)使用Petri网建立流程模型；[0009](2)结合流程中各个元素的相对位置和逻辑关系，对流程模型内的元素，包括变迁与库所分别迭代式的进行映射策略调整，以找到它们在不同流程中的关联关系；[0010](3)获得一个稳定的最佳映射函数后，计算整体流程间相似系数；[0011](4)通过元素对的结构相似系数和全局结构相似系数，
[0012]定义业务流程相似系数:提出了元素对的结构相似系数ESS和全局结构相似系数 SSM的概忽略任务的包括但不限于任务形式为，文本标签的外在性质差异，针对流程的并发、异步、选择等逻辑结构，给出具体可量化的数值，描述元素之间和流程之间的结构相似程度；
6
CN 112364220 A[0013]
说 明 书
2/9页
(5)在业务流程相似性度量：采用粗粒度的计算方法，在经过自动化基于内部结构
的业务流程相似性度量的研究，调整得出的最佳映射函数的基础上，通过量化地分析和计算所有映射元素间的整体相似程度，最终确定一个介于[0，1]之间的流程相似系数；[0014](6)对不同时期所产生的不同流程版本进行比较和评估，定位异变位置与异变类型，建立管理知识库，用于在面对新改变时，提高流程的进化效率，或促进不同的改变以适应环境的变化。
[0015]作为改进，联合学习的分类别业务操作模式按照将每个事件序列由时间图表示，再将带时间间隔的序列模式挖掘算法来挖掘序列模式，最后进行聚类划分完成实现。[0016]作为改进，所述基于共耦神经网络的操作图谱与数据汇聚算法是通过采用贝叶斯网络来描述业务操作的运行机制，在基于参数共享的交叉训练机制来实现操作图谱与知识、数据的汇聚、融合表示学习；
[0017]运行机制中包括网络的结点对应于流程业务网络运行机制本体描述中的条件和约束，以及计划中涉及的计划片段和实体的行动、网络的边对应于这些结点所代表的概念之间的逻辑关系，包含流程业务网络运行机制本体描述中的计划及其子概念对其他行动、计划片段、条件和约束的依赖关系；运作机制本体描述中计划片段对实体及行动包含关系、以及计划中的时序关系；[0018]作为改进，复杂图结构最短路径寻优的业务流程智能引导算法是通过图网络构造层次网络，采用层次网络的迭代计算方法来实现；[0019]其中图网络构造层次网络时，是对于从低到高的各级层次网络，将网络中所有节点作为普通节点并做如下的迭代：
[0020]①选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居，除了超级节点以外的节点，构成一个超级节点；[0021]②重构节点间的连边，将指向超级节点内成员的连边指向超级节点，此时相同节点对之间的多条连边被合并成一条；[0022]③继续该聚合过程，直到网络中所有节点都聚合成超级节点后，结束当前层次网络的聚合迭代过程；此时所有聚合得到的超级节点将作为下一级层次网络中的普通节点，因此下一级层次网络的规模将变小；
[0023]④如果当前层次网络中节点的数量低于某个阈值，则停止迭代聚合过程和层次网络的构造，此时得到的网络就是最高级层次网络。[0024]作为改进，所述层次网络的迭代计算方法，通过构造层次网络不断聚合网络的中心节点及其邻居，直到将原始网络转换成规模很小的最高级层次网络，在层次网络的基础上，利用各级层次网络中节点到中心节点的近似距离迭代计算原始网络中任意两点间的最短路径；
[0025]
定义为第i级层次网络中节点s到t的近似距离，原始网络中节点s到t的最
得到，而距离
可以由的迭
短路径距离d＝(s，t)可以由0级层次网络的近似距离各级层次网络中的近似距离代计算方法：
迭代计算得到(其中i≥0)，得到近似距离
7
CN 112364220 A
说 明 书
3/9页
[0026]
[0027]上述公式中Cs和Ct为节点s和t的中心节点，表示节点s到它的中心节点c
的近似距离。
[0028]
作为改进，近似距离的迭代计算方法，在构建层次网络的过程中，算法会
选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居，除了超级节点以外的节
点，构成一个超级节点，该超级节点将作为下一级层次网络中的普通节点。
[0029]
根据第i级层次网络中节点s到中心节点c的近似距离来定义第i+1级层次
网络中节点的半径ri+1；当在0级层次网络中节点的半径是0，节点到中心节点的距离是1；在1级层次网络中节点的半径是1，节点到中心节点的距离是3；以此类推，
[0030]
第i级层次网络的中心节点和分别对应第i+1级层次网络中的普通节点si+1
和ti+1，第i级层次网络中节点的半径是ri，第i+1级层次网络中节点的半径ri+1＝2ri+1。于是近似得到第i级层次网络中节点半径的均值ri：
[0031][0032]
其中k表示层次网络中不同规模网络的数目，根据第i级层次网络中节点s到中心
的计算公式：
节点 c的近似距离
[0033][0034]
结合上述两个公式我们就能进一步得到近似距离的迭代计算公式：
[0035]
其中，dk-1(s，t)表示在最高级层次网络中节点s和t之间的近似距离等于Dijkstra
算法计算得到的实际距离。在最高级层次网络中节点s和t之间的边距被近似为 2rk+1＝4*k-5。
[0037]作为改进，图网络构造的层次网络的中心性算法包括接近中心性算法和介数值计算方法；其中接近中心性算法是通过在最短路径近似算法的基础上，利用层次网络和迭代计算方法，计算网络中所有节点到其他节点的最短路径距离总和，从而得到所有节点的接近值；再对网络中所有节点进行排序，得到的结果就是网络中节点的接近中心性的算法；[0038]介数值计算方法是先通过构造层次网络对原始网络进行迭代聚合，直到得到最高级层次网络；再利用Dijkstra算法计算最高级层次网络中节点之间的最短路径，并通过最短路径计算最高级层次网络中经过节点的最短路径数目。[0039]作为改进，基于智能边缘与后台大中心全链路多维数据的引导环境构建，具体的
8
[0036]
CN 112364220 A
说 明 书
4/9页
方法是：
[0040]根据值函数的定义，定义策略π的值函数为：
[0041]
[0042]
其中R(s)表示未知的回报函数，一般都是状态的函数，因为它是未知的，所以利用函数逼近的方法对其进行参数逼近，其逼近形式可设为φ(s)，其为基函数，可以为多项式基底，也可以为傅里叶基底。逆向强化学习求的是回报函数中的系数w。
定义特征期望为：
当给定m条专家轨迹后，专家策略的特征期望为：
[0043][0044][0045][0046]
找到一个策略，使得该策略的表现与专家策略相近；通过利用特征期望来表示一个策略的好坏，当计算如下不等式成立，找到一个策略，使其表现与专家策略相近
[0047][0048]
当该不等式成立时，对于任意的权重||w||1≤1，值函数满足如下不等式：
[0049]
[0050][0051]
目标函数的标准化形式为：
T(j)
s.t.wTμj＝0，…，i-1E≥wμ+t，
[0053]||w||2≤1
[0054]专家策略为一类，其他策略为另一类，参数的求解其实就是找一条超曲面将专家策略和其他策略区分开来，这个超平面使得两类之间的边际最大。[0055]有益效果：本发明提供的业务流程引导自学习优化算法，是利用综合知识，对大规模业务网络中的业务流程进行粗细粒度结合的类别划分，针对具备相似性的业务操作的集合采用精简的表示模式；同时，结合特定场景下的业务需求，将先验知识、场景特定数据融合、分配到业务流程中，满足其基本操作模式；在全局视角下对于具体业务业务流程进行引导，实现操作路径最优、代价最小。结合与知识、数据绑定的业务操作，在大规模图结构中寻找最优路径，控制业务链路长度，屏蔽不必要业务领域，实现以任务为目的的点到点的业务引导。
[0052]
9
CN 112364220 A
说 明 书
5/9页
具体实施方式
[0056]下面对本发明结合实施例作出进一步说明。[0057]一种业务流程引导自学习优化算法，具体步骤如下：[0058]首先，基于挖掘模式的业务流程组织及自适应算法，根据综合知识驱动的相似性流程类别划分算法和联合学习的分类别业务操作模式，并在挖掘模式的基础上完成各个业务流程的自适应问题；[0059]其次，基于操作图与数据汇聚的全局业务流程智能引导算法，根据共耦神经网络的操作图谱与数据汇聚算法、复杂图结构最短路径寻优的业务流程智能引导算法和图网络构造的层次网络的中心性算法；[0060]最后，通过基于智能边缘与后台大中心全链路多维数据的引导环境构建处理，结合深度强化学习，完成基于全链路多维数据复合引导的流程自学习优化。[0061](一)基于挖掘模式的业务流程组织及自适应技术实现[0062](1)基于综合知识驱动的相似性流程类别划分算法实现[0063]1)该方法使用Petri网建立流程模型；
[0064]2)结合流程中各个元素的相对位置和逻辑关系,对流程模型内的元素(变迁 Transition与库所Place)分别迭代式的进行映射策略调整，以找到它们在不同流程中的关联关系；
[0065]3)最终在得到一个趋于稳定的最佳映射函数后，计算整体流程间相似系数；
[0066]4)定义业务流程相似系数:提出了元素对的结构相似系数ESS和全局结构相似系数SSM的概念。忽略任务的外在性质差异(如文本标签)，针对流程的并发、异步、选择等逻辑结构，给出具体可量化的数值，描述元素之间和流程之间的结构相似程度。[0067]元素对结构相似系数,Element Structure Similarity)：给定两个Petri网建模的流程模型 M1＝(P1,T1,A1)与M2＝(P2,T2,A2)，观察M1中的元素p(p∈P1∩T1)与M2中的元素q (q∈P2∩T2)，p和q的相似系数表示为：
[0068][0069]
Spq表示元素p与元素q的相似性。Lp表示p对应集合的个数,Lq表示q对应集合的个数,Rp表示p对应集合的个数,Rq表示q对应集合的个数分析p和q的相似性需要同时考量业务流程M1,M2的相同和差异之处。Spq由与q和p紧密相邻的左右流程结构决定，与建立在映射函
表示，差异性由γpq表
数上的交集数量和结构相似比关联。左侧结构的相似性由示，右侧结构的相似性由
表示，差异性由δα, β分别表示左侧结构和右侧pq表示。
结构在相似系数中占有的权重，优选地均采用α＝0.5，β＝0.5 的同比权重进行分析。[0070]全局结构相似系数,Structure Similarity Modulus).定义流程M1和M2的相似系数介于[0,1]之间，表示为：
10
CN 112364220 A[0071]
说 明 书
6/9页
其中，S值越大，表示这对流程具有较高的相似性，最佳库所映射集表示为fP，最佳
变迁映射集表示为fT。其中η,θ分别表示为库所和变迁的权重，如果更加在意活动在流程中的相似，那么就应该赋予θ更大的值，反之，则应赋予η更大的值。在本篇论文中，为方便演示均采用η＝0.5，θ＝0.5的同比权重进行分析。m,n分别为fp,f T的长度。
[0072]5)在业务流程相似性度量:提出了一种粗粒度的计算方法,在经过自动化基于内部结构的业务流程相似性度量的研究，调整得出的最佳映射函数的基础上，通过量化地分析和计算所有映射元素间的整体相似程度，最终确定一个介于[0，1]之间的流程相似系数。对不同时期所产生的不同流程版本进行比较和评估，定位异变位置与异变类型，建立管理知识库，可以在日后面对新改变时，提高流程的进化效率，或促进不同的改变以适应环境的变化。[0073](2)基于联合学习的分类别业务操作模式挖掘实现[0074]1)每个事件序列由时间图表示；
[0075]2)带时间间隔的序列模式挖掘算法来挖掘序列模式；[0076]3)聚类划分。[0077](3)基于挖掘模式的业务流程自适应组织算法实现[0078](二)基于操作图与数据汇聚的全局业务流程智能引导技术实现[0079](1)基于共耦神经网络的操作图谱与数据汇聚算法实现[0080]1)用贝叶斯网络来描述业务操作的运行机制
[0081]1.1)网络的结点对应于流程业务网络运行机制本体描述中的条件和约束，以及计划中涉及的计划片段和实体的行动等概念。其中，这些概念均附加于经验、统计或者主观判断得到的先验概率P(C|SupC)，C表示网络中的概念或类结点。
[0082]1.2)网络的边对应于这些结点所代表的概念之间的逻辑关系，包含流程业务网络运行机制本体描述中的计划及其子概念对其他行动、计划片段、条件和约束的依赖关系；运作机制本体描述中计划片段对实体及行动包含关系、行动和子行动之间的关系，以及计划中的时序关系等。这些关系的存在提供了条件概率P(C|SupC)，SupC表示结点的上级结点。[0083]2)基于参数共享的交叉训练机制实现操作图谱与知识、数据的汇聚、融合表示学习 2.1)使用融合表示向量矩阵U替换基础模型中的Uw和Us建立共耦神经；[0084]2.2)左右两部分的表示学习模型交替训练，U由两个模型共享，即U在训练过程中相互传递；
[0085]2.3)通过反复迭代，得到融合两方面信息的节点向量表示，并得到其对应最大化目标函数。[0086](2)基于复杂图结构最短路径寻优的业务流程智能引导算法实现[0087]1)基于图网络构造层次网络
[0088]对于从低到高的各级层次网络，将网络中所有节点作为普通节点并做如下的迭代：
[0089]1.1)选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居(除了超级节点以外的节点)构成一个超级节点；[0090]1.2)重构节点间的连边，将指向超级节点内成员的连边指向超级节点，此时相同节点对之间的多条连边被合并成一条；
11
CN 112364220 A[0091]
说 明 书
7/9页
1.3)继续该聚合过程，直到网络中所有节点都聚合成超级节点后，结束当前层次
网络的聚合迭代过程；此时所有聚合得到的超级节点将作为下一级层次网络中的普通节点，因此下一级层次网络的规模将变小；
[0092]1.4)如果当前层次网络中节点的数量低于某个阈值则停止迭代聚合过程和层次网络的构造，此时得到的网络就是最高级层次网络。[0093]2)构造层次网络的迭代计算方法
[0094]算法通过构造层次网络不断聚合网络的中心节点及其邻居，直到将原始网络转换成规模很小的最高级层次网络。迭代计算方法在层次网络的基础上，利用各级层次网络中节点到中心节点的近似距离迭代计算原始网络中任意两点间的最短路径。
[0095]
定义为第i级层次网络中节点s到t的近似距离，原始网络中节点s到t的最
得到，而距离
可以由
短路径距离d＝(s，t)可以由0级层次网络的近似距离各级层次网络中的近似距离
的迭代计算方法：
[0096][0097]
迭代计算得到(其中i≥0)，因此我们得到近似距离
上述公式中Cs和Ct为节点s和t的中心节点，表示节点s到它的中心节点c
的近似距离。
[0098]在构建层次网络的过程中，算法会选择一个度最大的普通节点作为中心节点，并聚合它的普通邻居(除了超级节点以外的节点)构成一个超级节点，该超级节点将作为下一级层次网络中的普通节点。我们可以根据第i级层次网络中节点s到中心节点c的近似距离
来定义第i+1级层次网络中节点的半径ri+1。如在0级层次网络中节点的半径是 0，
节点到中心节点的距离是1；在1级层次网络中节点的半径是1，节点到中心节点的距离是3。以此类推。
[0099]
第i级层次网络的中心节点和分别对应第i+1级层次网络中的普通节点si+1
和 ti+1，第i级层次网络中节点的半径是ri，第i+1级层次网络中节点的半径ri+1＝2ri+1。于是我们可近似得到第i级层次网络中节点半径的均值ri：
[0100][0101]
其中k表示层次网络中不同规模网络的数目，根据第i级层次网络中节点s到中心
的计算公式：
节点 c的近似距离
[0102][0103]
结合上述两个公式我们就能进一步得到近似距离的迭代计算公式：
12
CN 112364220 A
说 明 书
8/9页
[0104]
[0105]
其中，dk-1(s，t)表示在最高级层次网络中节点s和t之间的近似距离等于Dijkstra
算法计算得到的实际距离。在最高级层次网络中节点s和t之间的边距可以被近似为 2rk+1＝4*k-5。[0106](3)基于图网络构造的层次网络的中心性算法实现[0107]1)接近中心性算法实现
[0108]1.1)在最短路径近似算法的基础上，利用层次网络和迭代计算方法，计算网络中所有节点到其他节点的最短路径距离总和，从而得到所有节点的接近值；[0109]1.2)对网络中所有节点进行排序，得到的结果就是网络中节点的接近中心性。[0110]2)介数值计算方法
[0111]2.1)通过构造层次网络对原始网络进行迭代聚合，直到得到最高级层次网络；[0112]2.2)利用Dijkstra算法计算最高级层次网络中节点之间的最短路径，并通过最短路径计算最高级层次网络中经过节点的最短路径数目。[0113](三)基于全链路多维数据复合引导的流程自我学习算法实现[0114](1)基于智能边缘与后台大中心全链路多维数据的引导环境构建[0115]利用逆强化学习技术，结合全链路操作数据，构建虚拟流程引导环境。[0116]根据值函数的定义，策略π的值函数为：
[0117]
[0118]定义特征期望为：需要注意的是，特征期望跟
策略π有关，策略不同时，策略期望也不相同。[0119]当给定m条专家轨迹后，根据定义我们可以估计专家策略的特征期望为：
[0120][0121]
找到一个策略，使得该策略的表现与专家策略相近。我们可以利用特征期望来表示一个策略的好坏，找到一个策略，使其表现与专家策略相近，其实就是找到一个策略的特征期望与专家策略的特征期望相近，即使如下不等式成立：
[0122][0123]
当该不等式成立时，对于任意的权重||w||1≤1，值函数满足如下不等式：
13
CN 112364220 A
说 明 书
9/9页
[0124]
[0125][0126]
目标函数的标准化形式为：
T(j)
s.t.wTμj＝0，…，i-1E≥wμ+t，
[0128]||w||2≤1
[0129]专家策略为一类，其他策略为另一类，参数的求解其实就是找一条超曲面将专家策略和其他策略区分开来，这个超平面使得两类之间的边际最大。[0130](2)结合深度强化学习，和基于全链路数据构建的虚拟业务流程环境，可以实现将业务流程引导的自学习自优。
[0131]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0127]
14
因篇幅问题不能全部显示，请点此查看更多更全内容