基于卷积神经网络的业务流程推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 课题研究的主要内容 | 第13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 课题研究的问题定义 | 第15-20页 |
| 2.1 业务流程推荐系统 | 第15页 |
| 2.2 业务流程相关定义 | 第15-18页 |
| 2.3 业务流程推荐目标 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 业务流程推荐系统架构分析 | 第20-30页 |
| 3.1 典型的业务流程推荐系统总体架构 | 第20-21页 |
| 3.2 线下挖掘 | 第21-24页 |
| 3.2.1 子图挖掘 | 第21-23页 |
| 3.2.2 上游子图分解 | 第23页 |
| 3.2.3 流程模式提取 | 第23-24页 |
| 3.3 线上推荐 | 第24-25页 |
| 3.4 业务流程推荐已有算法分析 | 第25-29页 |
| 3.4.1 GED_based推荐算法 | 第25-27页 |
| 3.4.2 SED_based推荐算法 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 业务流程数据集的处理方法与特性分析 | 第30-36页 |
| 4.1 本文数据集来源 | 第30页 |
| 4.2 数据集预处理 | 第30-32页 |
| 4.2.1 流程图抽象为有向图 | 第30-31页 |
| 4.2.2 有向图抽象为矩阵 | 第31-32页 |
| 4.2.3 流程子图挖掘 | 第32页 |
| 4.2.4 上游子图分解 | 第32页 |
| 4.3 数据集特性分析 | 第32-36页 |
| 第5章 基于CNN的业务流程推荐算法 | 第36-57页 |
| 5.1 研究背景 | 第36页 |
| 5.2 卷积神经网络的研究背景 | 第36-44页 |
| 5.2.1 卷积神经网络基本特性 | 第37-39页 |
| 5.2.2 卷积神经网络基本结构 | 第39-44页 |
| 5.3 基于CNN的业务流程推荐算法设计 | 第44-55页 |
| 5.3.1 原理分析 | 第44-45页 |
| 5.3.2 算法框架 | 第45-46页 |
| 5.3.3 数据标准化 | 第46-48页 |
| 5.3.4 基于矩阵变换的特征提取 | 第48-52页 |
| 5.3.5 深度卷积层 | 第52-53页 |
| 5.3.6 子采样层和分类层 | 第53-55页 |
| 5.3.7 损失函数和参数更新 | 第55页 |
| 5.4 CNN based推荐算法优点分析 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 实验与结果分析 | 第57-65页 |
| 6.1 实验数据准备 | 第57页 |
| 6.2 实验环境配置 | 第57-58页 |
| 6.2.1 硬件环境配置 | 第57页 |
| 6.2.2 软件环境配置 | 第57-58页 |
| 6.2.3 实验参数说明 | 第58页 |
| 6.3 实验结果与分析 | 第58-64页 |
| 6.3.1 推荐准确率 | 第58-60页 |
| 6.3.2 推荐实时性 | 第60-61页 |
| 6.3.3 滑动窗口对实验的影响 | 第61-64页 |
| 6.4 本章小结 | 第64-65页 |
| 第7章 总结与展望 | 第65-67页 |
| 7.1 工作总结 | 第65-66页 |
| 7.2 未来工作及展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-72页 |
| 攻读硕士学位期间主要的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
