Актуальность. В статье рассматривается проблема проверки соответствия журнала событий системы и модели бизнес-процесса, полученной с помощью различных алгоритмов. Методы классического машинного обучения и глубокого обучения показали хорошие результаты при анализе последовательностей в таких областях, как анализ естественного языка или биоинформатика. Проанализированы возможности моделей классического машинного обучения в рамках задачи классификации записей журнала, сгруппированных по критерию соответствия записи в отношении модели бизнес-процесса. Проведен сравнительный анализ двух моделей – Random Forest и рекуррентной нейронной сети с долгой краткосрочной памятью (англ. Long short-term memory, LSTM) в рамках поставленной задачи.

Цель исследования. Доказать перспективность использования методов классического машинного обучения и глубокого обучения, применяемых для оценки стоимостной функции выравнивания записей журнала событий с моделью бизнес-процесса.

Задачи исследования заключаются в поиске оценки значений стоимостной функции выравнивания с нижней границы и построении различных моделей классификации экземпляров процесса на корректные и аномальные. Корректность определяется с помощью произвольного, заранее заданного порога для метрики пригодности цепочки к модели процесса.

Результаты исследования. С помощью классификаторов как классического машинного обучения – Random Forest, так и модели глубокого обучения – рекуррентной нейронной сети с долгой краткосрочной памятью были получены модели, способные классифицировать экземпляры процесса, разделенные заранее заданным порогом значения стоимостной функции выравнивания записей журнала процесса, с моделью процесса. Данные классификаторы обеспечивают нижнюю границу метрики пригодности модели процесса на основе классификации.