Active learning in process mining: an active sampling using dimensionality reduction and iterative selection

doi:10.1007/s41060-025-00770-7

Active learning in process mining: an active sampling using dimensionality reduction and iterative selection

2025-04-21

0

PRE

AI

M

Magalhaes, Rafael Aguilar

A

Andolfato Filho, Anderson

E

Eduardo Alves Portela Santos

A

Anderson Ara *

DOI：10.1007/s41060-025-00770-7

原文链接

原文求助

摘要

En 中文

本文提出了一种综合方法，将主动学习（Active Learning）与流程挖掘（Process Mining）相结合，以优化客户关系管理（CRM）系统中的效率与性能。该方法不同于传统的模型中心方法，强调利用t-SNE和基于熵的方法来增强GSx采样步骤，从而选择最具信息量的数据点并减少对大型训练数据集的依赖。该方法通过一家巴西公司从基于电话的系统向全渠道CRM系统的转型过程进行了验证。通过分析事件日志、拨号器活动及通话历史，研究估算了成功率并识别了关键流程优化点。所提方法利用t-SNE进行降维，并采用熵来捕捉不确定性，以确保GSx阶段更稳健的采样过程。研究中评估了四种预测模型：支持向量机（SVM）用于回归（SVR）、随机森林、多层感知器（Multilayer Perceptron）和线性回归（LR），其中LR和SVM（线性核）在减少不必要呼叫及提升拨号器性能方面表现最为有效。流程挖掘进一步识别了影响成功率的关键变量。该综合方法显著降低了大规模数据集的需求，提升了模型性能，并促进了CRM系统中的更广泛应用，实现了拨号呼叫的优化而不过载计算资源。这些发现强调了将t-SNE和基于熵的采样与主动学习及流程挖掘相结合，以在CRM环境中实现数据驱动优化的有效性。

Keyword:

Active learning

Process mining

Software CRM

Active learning in process mining: an active sampling using dimensionality reduction and iterative selection

摘要

期刊

机构

引用论文