本次将会介绍有关《客服中心场景下基于多模态数据与MMoE的业务流程预测研究》的工作进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（PBPM）
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，及时发现可能出现的状况，以采取有效的执行策略，避免不必要的损失。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心能够直接、客观地获取客户数据。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 当前，深度学习等人工智能方法广泛应用于企业的业务流程预测中，大部分业务流程预测方法使用的是企业信息系统中记录的流程序列数据，并没有利用其他系统中产生的数据，而且单纯依赖流程数据进行业务流程未来执行状态的预测并不可靠，导致预测效果达不到预期。
• 现有的业务流程预测方法多数针对特定的预测问题，不同任务之间的预测方法的可迁移性不高。虽然Tax等可以使用LSTM网络来进行业务流程活动和时间的多任务预测[1]，但是预测活动和时间方面的精度均不够准确。

科研目的：

• 针对单数据源可能存在的信息不足的缺陷，提出一种客服中心场景下基于多模态数据的业务流程预测方法。使用企业信息系统中记录的流程日志中的序列数据，同时引入客服中心系统中的语音数据，并将两者所包含的信息进行联合，共同用于企业业务流程的预测。
• 此外，创新性的提出异构多任务学习模型Heterogeneous Multi-gate Mixture-of-Experts（H-MMoE）实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。

本次将会介绍有关《基于MMoE多任务学习与因果推断的业务流程预测及优化》的工作进展情况。主要内容如下：

科研背景：

1. 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
2. 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，及时发现可能出现的状况，以采取有效的执行策略，避免不必要的损失。
3. 业务流程预测是业务流程优化的重要手段，如果能够准确预估一个正在执行的流程实例的未来执行状况，那么便可以针对异常业务流程进行分析，进而实现流程的实时改进和优化，提高企业竞争力。

科研问题：

1. 现有的业务流程预测方法多数针对特定的预测问题，不同任务之间的预测方法的可迁移性不高。虽然Tax等可以使用LSTM网络来进行业务流程活动和时间的多任务预测，但是预测活动和时间方面的精度均不够准确。
2. 传统的业务流程优化大多是通过人工经验发现流程中的问题，至多是根据对流程执行过程的人工统计数据来查找流程中的缺陷，因此传统的流程优化没有流程数据支撑或者对流程数据的利用不充分。

科研目的：

1. 创新性的使用MMoE多任务学习模型实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。
2. 此外，针对预测结果中可能异常的流程案例进行基于因果推断的业务流程分析，实现对流程的实时干预，从而优化业务流程。

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的工作进展情况。主要内容如下：

科研背景：

• 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心直接与客户交流互动，能够直接、客观地获取客户信息。企业通过分析对应的客户数据，及时发现问题改善问题，能优化流程，降低企业成本。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 在实践中，方法标准化程度不足，导致使用成本较高，不利于进一步推广应用

科研目的：

• 方法工程化：特征计算和模型结构自适应
• 方法工具化：为实际应用提供插件支持并创造应用条件

流程框架：

方法工程化：

方法工具化：

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的进展情况。主要内容如下：

科研背景：

• 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心直接与客户交流互动，能够直接、客观地获取客户数据。企业通过分析对应的客户数据，及时发现问题改善问题，能优化流程，降低企业成本。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 现有的研究认为，客户情绪与认知具有相关性，且明显影响着顾客满意度及后续行为。当前研究没有有效探索客服中心通话中的客户情绪对业务流程状态的影响；现有的业务流程预测方法多数针对特定的单任务预测问题。

科研目的：

• 创新性的提出将客服中心感知的客户情绪数据应用到业务流程预测中，提出一种客服中心场景下基于情感分析技术的业务流程预测方法，对客户的发问意图、抒发情感、表达语义等进行识别和理解；
• 此外，应用多任务学习方法实现模型参数共享，多个目标的模型联合训练，实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。

流程框架：

实验结果-一维特征：

多任务学习：

实验结果-多任务学习：

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的进展情况。主要内容如下：

科研背景：

• 针对大型、复杂的业务流程，业务流程管理（BPM）有利于降低流程执行成本、有助于管理人员进行决策。预测性的业务流程监控（PBPM）是业务流程管理中的重要研究领域，近年来涌现出很多相关的研究工作与成果。
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心直接与客户交流互动，能够直接、客观地获取客户数据。企业通过分析对应的客户数据，及时发现问题改善问题，能优化流程，降低企业成本。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 现有的研究认为，客户情绪与认知具有相关性，且明显影响着顾客满意度及后续行为。当前研究没有有效探索客服中心通话文本中的客户情绪对业务流程状态的影响。
• 没有对比多种主流深度学习模型对业务流程预测效果的影响。

科研目的：

• 引入客户情感：创新性的提出将客服中心感知的客户情绪数据应用到业务流程预测中，提出一种客服中心场景下基于情感分析技术的业务流程预测方法，对客户的发问意图、抒发情感、表达语义等进行识别和理解，针对多个任务提高流程预测精度。
• 多模型比较：对比CNN、LSTM、Transformer预测模型在业务流程预测上的效果。

流程框架：

实验结果：

本次将会介绍有关《客服中心场景下基于情感分析的业务流程预测研究》的进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（Predictive business process monitoring）是近年来流程挖掘领域的一个研究热点。
• PBPM分析业务流程中已完成实例的事件日志，对其正在运行的实例进行预测，以采取更为有效的资源调度等执行策略，避免不必要的损失，提升业务系统的整体性能。
• 随着技术的发展和消费模式的升级，客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 深度学习模型已经应用到流程监控领域，但是针对客服中心场景下的业务流程预测，几乎没有一种技术能利用以自然语言编写的客服通话文本，这些文本中可以保存对预测任务至关重要的用户情感信息。

科研目的：

• 针对客服中心的自然语言文本信息，提出一种客服中心场景下基于情感分析的业务流程预测方法，对客户的发问意图、抒发情感、表达语义等进行识别和理解，提高流程预测精度。

流程框架：

实验结果：