Differentially Private Release of Event Logs for Process Mining
流程挖掘技术的适用性取决于捕获业务流程执行的事件日志的可用性。在某些用例中，特别是涉及面向客户的流程的用例，这些事件日志可能包含私人信息。数据保护法规限制将此类事件日志用于分析目的。规避这些限制的一种方法是将事件日志匿名化，使匿名日志无法单独识别任何个人。本文解决了匿名化事件日志的问题，以保证在发布匿名日志时，攻击者可能挑出原始日志中表示的任何个人的概率不会增加超过阈值。本文提出了一种差分隐私发布机制，该机制对日志中的案例进行采样，并在达到上述隐私保证所需的程度上向时间戳添加噪声。文章报告的实证比较所提出的方法对国家的最先进的方法，使用14个现实生活中的事件日志的数据效用损失和计算效率。
2022-12-15 cs.CR cs.SE
Logic Mining from Process Logs: Towards Automated Specification and Verification
本文提出结合基于模式转换与自动化推理，从工作流挖掘得到的流程模型生成逻辑规约，并在通用及真实日志上评估噪声影响与多种逻辑性质。
2025-06-10 cs.SE
Change Logging and Mining of Change Logs of Business Processes -- A Literature Review
本文通过文献综述梳理过程感知信息系统中的业务流程变更记录与挖掘方法，归纳方法类别、记录方式、日志格式和学习目标，并指出研究空白。
2025-08-31 cs.SE
Business Process Mining
组织最有价值的资产之一是其组织数据。对这一潜在宝藏的分析和挖掘可以为组织带来更多的附加值。流程挖掘是一个新兴领域，可以帮助组织了解现状，检查合规性并计划改进其流程。过程挖掘的目的是从当今组织信息系统的事件日志中提取知识。流程挖掘主要包括三种类型：从事件日志中发现流程模型、一致性检查和组织挖掘。在本文中，我们简要介绍了过程挖掘和审查的一些最重要的技术。此外，我们还调查了流程挖掘在工业中的一些应用，并提出了这一领域面临的一些最重要的挑战。
2016-07-03 cs.SE
Explainable Verification of Hierarchical Workflows Mined from Event Logs with Shapley Values
AGH University of Krakow（克拉科夫AGH科技大学）
本文提出利用Shapley值对挖掘的工作流进行可解释性验证，通过逻辑规范分析和自动化定理证明器识别关键节点和有害结构，提升流程挖掘的解释性和实用性。
2025-12-10 cs.IT cs.SE math.IT
Intention-Oriented Process Model Discovery from Incident Management Event Logs
面向意图的过程挖掘是基于这样一种信念，即过程的基本性质大多是有意的（不同于面向活动的过程），旨在从过程制定期间记录的事件日志中发现策略和有意的过程模型。在本文中，我们提出了一个面向意图的过程挖掘领域的事件管理的信息技术基础设施库（ITIL）的过程。我们在一个大型的真实世界数据集上应用地图挖掘方法（MMM）来发现隐藏的和不可观察的用户行为，策略和意图。我们首先发现用户策略从给定的活动序列数据应用隐马尔可夫模型（HMM）的无监督学习技术。然后，我们处理发现的HMM的发射和转换矩阵，以生成一个粗粒度的映射过程模型。我们提出的第一个应用程序或研究的新的和新兴的领域面向意图的过程挖掘事件管理事件日志数据集，并讨论其适用性，有效性和挑战。
2015-07-04 cs.SE
A Novel Approach for Automated Design Information Mining from Issue Logs
本文提出DRMiner方法，通过将问题分解为多个文本分类任务并利用语言模型提示微调，从开源社区问题日志中自动挖掘设计理由，F1分数达65%超越GPT-4.0，并显著提升自动程序修复效果。
2024-05-30 cs.SE
Business Process Mining Approaches: A Relative Comparison
近年来，诸如ERP、CRM和WFM等信息系统将不同的业务事件或活动记录在称为事件日志的日志中。流程挖掘旨在从事件日志中提取信息，以捕获正在执行的业务流程。流程挖掘是一项重要的学习任务，基于捕获的流程。为了在商业世界中成为有竞争力的组织，他们必须随着环境的变化而调整他们的业务流程。有时候，业务流程的变更意味着整个系统的变更。流程挖掘允许从事件日志中自动发现流程模型。流程挖掘技术具有自动支持业务流程设计的能力。通常，这些技术发现一个具体的工作流模型和所有可能的进程注册在一个给定的事件日志。本文对业务流程挖掘中常用的流程挖掘方法进行了详细的比较，并给出了它们在方法上的差异。
2015-07-20 cs.SE
Mining Reviews in Open Source Code for Developers Trail: A Process Mining Approach
本文提出使用过程挖掘方法利用开源代码库数据构建日志并生成工作流网，以图形化描绘开发者活动顺序，并通过 Act-Trace 算法展示该方法。
2023-07-16 cs.IR cs.SE
Discovering Process Models from Uncertain Event Data
现代信息系统能够以事件日志的形式收集事件数据。流程挖掘技术允许从事件数据中发现模型，根据参考模型检查事件日志的一致性，并执行进一步的以流程为中心的分析。在本文中，我们考虑不确定的事件日志，其中的数据与明确的不确定性信息一起记录。我们描述了一种技术，发现一个直接遵循的图形，从这样的事件数据，保留有关的不确定性的过程中的信息。然后，我们提出的实验结果进行归纳挖掘的直接遵循的图形，以获得代表的过程中的某些和不确定的部分的模型。
2022-04-08 cs.DB cs.SE
Automated Discovery of Process Models from Event Logs: Review and Benchmark
流程挖掘允许分析人员利用业务流程的历史执行日志来提取关于这些流程的实际性能的见解。研究最广泛的流程挖掘操作之一是自动化流程发现。一种自动化过程发现方法将事件日志作为输入，并产生业务过程模型作为输出，该业务过程模型捕获在事件日志中观察到的或由事件日志暗示的任务之间的控制流关系。在过去的二十年中，已经提出了各种自动化过程发现方法，在所得到的模型的可扩展性、准确性和复杂性之间进行了不同的权衡。然而，这些方法是以特别的方式进行评估的，采用不同的数据集，实验设置，评估措施和基线，由于使用封闭的数据集，往往导致无法比较的结论，有时无法重现的结果。本文提供了一个系统的回顾和比较评估的自动化过程发现方法，使用开源基准，并涵盖了12个公开的真实事件日志，12个专有的真实事件日志，和9个质量指标。结果突出了该领域的差距和未探索的权衡，包括一些方法缺乏可扩展性，以及它们在使用的不同质量指标方面的性能存在很大差异。
2018-01-30 cs.SE
A Process Mining-Based System For The Analysis and Prediction of Software Development Workflows
Inverbis Analytics SL
CodeSight是一个端到端系统，通过将GitHub数据转换为过程挖掘日志，并利用LSTM模型预测PR解决时间，实现软件开发工作流截止日期遵守情况的早期预测，展示了过程挖掘与机器学习结合在主动项目管理中的价值。
2025-10-31 cs.AI cs.SE
Conceptual Model with Built-in Process Mining
流程挖掘涉及通过从信息系统中的事件日志中提取知识来发现、监控和改进真实流程。近年来，流程挖掘已经成为一个重要的主题，越来越多的案例研究和商业工具证明了这一点。目前在这方面的研究假设，事件记录是从一个概念模型（CM）单独创建的。然后使用技术来发现缺失的过程和与CM的一致性，以及检查和增强。相比之下，在本文中，我们专注于建模事件的一部分，一个紧密的多级CM，包括静态描述，动态，事件日志计划，以及监测和控制系统。如果存在模型外事件日志，则将其视为构建或丰富CM所需的需求。这样一个统一的系统的动机是我们的论文，过程挖掘是一个重要组成部分的CM与内置的【形】挖掘能力，以执行自我过程挖掘，并达到完整性。因此，我们提出的概念模型有助于收集有关自身的数据。由此产生的框架强调系统的集成表示，包括流程挖掘功能。从事件日志开始的案例研究被重新设计，以围绕模型优先的方法发展，而不局限于初始事件日志。结果给出了一个框架，以更全面的方式实现了过程挖掘的目标
2021-03-31 cs.SE
Mining the Gold: Student-AI Chat Logs as Rich Sources for Automated Knowledge Gap Detection
Virginia Tech（弗吉尼亚理工大学）
QueryQuilt通过分析学生与AI的聊天记录，自动检测大规模讲座中的知识缺口，提升教学效率。
2025-12-26 cs.HC cs.SE
Anvaya: An Algorithm and Case-Study on Improving the Goodness of Software Process Models generated by Mining Event-Log Data in Issue Tracking System
Indraprastha Institute of Information Technology, Delhi (IIIT-D)（德里英德拉普拉斯塔信息技术学院（IIIT-D））；Software Analytics Research Lab (SARL)（软件分析研究实验室（SARL））
问题跟踪系统（ITS），如Bugzilla，可以被视为过程感知信息系统（PAIS），在bug报告的生命周期中生成事件日志。过程挖掘包括挖掘从PAIS生成的事件日志，用于过程模型发现、一致性和增强。我们应用进程图发现技术，挖掘开源Firefox浏览器项目ITS中产生的事件跟踪数据，生成和研究进程模型。缺陷生命周期由多样性和方差组成。因此，从事件日志生成的过程模型是具有大量边、互连和节点的意大利面条。这样的模型分析起来很复杂，过程分析人员很难理解。我们通过聚类结构相似的痕迹将事件日志分成同质子集来提高过程模型的良好性（适应度和结构复杂性）。我们采用两种不同的距离度量：最长公共子序列（LCS）和动态时间弯曲（DTW）的K-Medoid聚类算法。我们使用复杂性和适应性指标来评估从集群生成的过程模型的良好性。我们研究来回\和自我循环，错误重新开放，并在集群中获得的瓶颈，并表明聚类可以更好地分析。我们还提出了一个算法来自动聚类过程-该算法作为输入的事件日志，并返回最佳的集群集。
2015-11-22 cs.LG cs.SE
A Comprehensive Survey of Logging in Software: From Logging Statements Automation to Log Mining and Analysis
University of Waterloo（滑铁卢大学）
日志被广泛用于记录软件系统的运行时信息，例如事件的时间戳和重要性，日志源的唯一ID，以及任务执行的部分状态。日志的丰富信息使系统开发人员（和操作员）能够监控其系统的运行时行为，并进一步跟踪系统问题，并对生产环境中的日志数据进行分析。然而，先前关于利用日志的研究是分散的，这限制了该领域的新研究人员快速获得速度的能力，并阻碍了当前活跃的研究人员进一步推进该领域。因此，本文调查和提供了一个系统的文献综述和映射的当代日志记录的做法和日志语句的挖掘和监测技术及其应用，如在系统故障检测和诊断。我们研究了大量出现在顶级同行评审场所的会议和期刊论文。此外，我们还绘制了正在进行的研究的高层次趋势，并将出版物进行了细分。最后，根据我们在本次调查中的整体观察，我们提供了一系列挑战和机遇，这些挑战和机遇将引导学术界和工业界的研究人员推动该领域的发展。
2022-01-01 cs.LG cs.SE
Mining Scientific Workflows for Anomalous Data Transfers
现代科学工作流是数据驱动的，通常在分布式、异构、高性能计算基础设施上执行。工作流执行中的异常和故障会导致科学生产力的损失和基础设施的低效使用。因此，检测、诊断和缓解这些异常对于可靠和高性能的科学工作流程非常重要。由于这些工作流严重依赖于需要严格QoS约束的高性能网络传输，因此准确检测异常网络性能对于确保可靠和高效的工作流执行至关重要。为了应对这一挑战，我们开发了X-FLASH，一种用于故障TCP工作流传输的网络异常检测工具。X-FLASH结合了新的超参数调整和数据采掘方法，用于提高机器学习算法的性能，以准确地分类异常TCP数据包。X-FLASH利用XGBoost作为集成模型，并将XGBoost与从基于搜索的软件工程中借来的顺序优化器FLASH耦合，以学习最佳模型参数。X-FLASH发现，在不到30次评估中，配置在F测量、G评分和召回方面的表现优于现有方法，相对而言分别高达28%、29%和40%。从（1）大的改进和（2）简单的调优，我们建议未来的研究有额外的调优研究作为一个新的标准，至少在科学的工作流异常检测领域。
2021-03-22 cs.NI cs.SE
Mining User Behavioral Rules from Smartphone Data through Association Analysis
智能手机的日益普及及其强大的传感功能使得能够通过设备日志收集丰富的上下文信息和手机使用记录。本文阐述了利用智能手机数据挖掘个人手机用户的行为关联规则的问题。关联规则学习是利用大数据集发现规则的最流行的技术。然而，众所周知，产生的关联规则中有很大一部分是冗余的。这种冗余生产不仅使规则集不必要地庞大，而且使决策过程更加复杂和无效。在本文中，我们提出了一种方法，有效地识别冗余的关联，并提取一组简洁的行为关联规则是非冗余的。通过考虑个人用户的真实移动电话数据集来检验所提出的方法的有效性。
2018-03-19 cs.DB cs.SE
PELP: Pioneer Event Log Prediction Using Sequence-to-Sequence Neural Networks
The University of Melbourne（墨尔本大学）
针对流程挖掘领域的事件日志预测问题，提出基于序列到序列深度学习的PELP方法，经合成与真实日志验证效果良好，并给出实用建议。
2023-12-15 cs.LG cs.SE
IOTEL: A Tool for Generating IoT-enriched Object-Centric Event Logs
Queensland University of Technology（昆士兰科技大学）
IOTEL是一个用于生成物联网增强型对象中心事件日志的工具，通过结构化整合IoT数据，支持流程挖掘分析。
2026-03-09 cs.SE
BAGH -- Comparative study
流程挖掘是近十年来出现的一个新的研究方向，它主要是利用事件日志和数据来分析流程。业务流程操作的信息系统集成度的提高为创新的数据分析方法提供了基础。流程挖掘与数据采掘有着密切的联系，因此它可以将商业智能方法与业务流程管理联系起来。它专注于端到端流程，并且由于事件数据的可用性不断增长以及新的流程发现和一致性检查技术而成为可能。过程挖掘的目的是通过从信息系统中的事件日志中提取知识来发现、监控和改进真实的过程。所发现的流程模型可以用于各种分析目的。许多公司已经采用流程感知信息系统来以某种形式支持他们的业务流程。这些系统通常具有与实际业务流程执行相关的日志事件。对流程感知信息系统执行日志的正确分析可以产生重要的知识，并帮助组织提高其服务质量。本文回顾和比较各种流程挖掘算法的输入参数的基础上，使用的技术和它们产生的输出。
2019-09-04 cs.IR cs.SE
Automated Discovery of Process Models with True Concurrency and Inclusive Choices
企业信息系统允许公司维护其业务流程执行的详细记录。这些记录可以以事件日志的形式提取，事件日志捕获跨业务流程的多个实例的活动执行。事件日志可用于使用过程挖掘技术以精细的细节级别分析业务过程。流程挖掘技术允许我们从事件日志中发现流程模型，这种操作称为自动流程发现。尽管在该领域有丰富的研究，现有的自动化流程发现技术并没有完全捕获业务流程中固有的并发性。具体地说，如果有时A在B之前完成，有时B在A之前完成，那么这些技术中的大部分都将两个活动A和B视为并发的。但是，通常情况下，业务流程中的活动是在真正的并发设置中执行的，这意味着两个或多个活动的执行在时间上重叠。本文解决了这一差距，提出了一个改进版本的自动化过程发现技术，即拆分矿工，发现真正的并发关系，从事件日志包含每个活动的开始和结束时间戳。所提出的技术也能够区分排他性和包容性的选择。我们评估所提出的技术相对于现有的基线使用11个现实生活中的日志来自不同的行业。
2021-05-13 cs.SE
Mining Workflow Graphs for Black-Box Boundary Testing of Conversational LLM Agents
Lero, the Research Ireland Centre for Software University of Limerick（利罗爱尔兰软件研究中心，利默里克大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Ottawa（渥太华大学）；Genesys Ireland
研究针对对话式大语言模型代理内部工作流失败难测问题，提出黑盒测试框架AgentEval，通过挖掘对话工作流图，利用其结构枚举测试目标，执行测试，在与白盒审计器对比测试中，能有效覆盖多个不同边界，降低重复率和误报率。
2026-07-09 cs.SE
Towards Process Mining Use Case Map Models with PM4Py-UCM
University of Ottawa（渥太华大学）
本文提出PM4Py-UCM，一个开源扩展，将用例图模型作为过程挖掘的一等输出，支持基于URN的建模、分析和管理。
2026-06-26 cs.SE
Robotic Process Automation Using Process Mining $\unicode{x2013}$ A Systematic Literature Review
本文通过系统文献综述，分析了2018年以来32篇论文，评估过程挖掘在识别可自动化流程、支持RPA实施中的作用，指出事件日志预处理等环节仍面临挑战并需进一步研究。
2023-09-24 cs.SE
World of Code: Enabling a Research Workflow for Mining and Analyzing the Universe of Open Source VCS data
开放源码软件对现代社会至关重要，虽然对个别（通常是核心）项目进行了大量研究，但对整个开放源码软件生态系统的外围只有有限的了解。比如，周边的几千万项目是如何通过互联互通的。技术依赖、代码共享还是知识流？为了回答这些问题，我们：a）在整个FLOSS生态系统中创建一个非常大且经常更新的版本控制数据集合，名为World of Code（WoC），可以完全交叉引用FLOSS生态系统的作者，项目，提交，blob，依赖关系和历史; b）提供有效纠正，增强，查询和分析数据的能力。我们目前的WoC实现能够每月更新，包含超过18 B的Git对象。为了评估其研究潜力，并为它的使用创造小插曲，我们聘请了妇委会进行几项研究任务。特别是，我们发现，它能够支持趋势评估，生态系统的测量，并确定包的使用。我们期望妇委会能促进对开放源码软件发展的全球特性的研究，从而提高整个开放源码软件生态系统的弹性。我们的基础设施有助于发现关键的技术依赖关系、代码流和社交网络，这些网络为确定推动FLOSS活动和创新的关系的结构和演变提供了基础。
2020-10-30 cs.SE
vue4logs -- Automatic Structuring of Heterogeneous Computer System Logs
计算机系统日志数据常用于系统监控、性能特性研究、工作流建模和异常检测等。日志数据本质上是非结构化或半结构化的，这使得通过读取原始日志来理解系统的事件流或其他重要信息变得更加困难。构造日志文件的过程首先基于触发它们的系统事件来识别日志消息组，并提取事件模板来表示每个事件的日志消息。提出了一种从原始系统日志文件中提取事件模板的新方法，该方法利用信息检索领域常用的向量空间模型对日志数据进行向量化，并根据向量相似度将日志信息分组为事件模板。使用基于字符和长度的过滤器进一步增强了模板提取过程。在公开的真实世界日志数据基准上进行评估时，该方法在准确性和鲁棒性方面优于所有现有的最先进的系统。
2022-02-14 cs.IR cs.SE
Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning
University of Tartu（塔尔图大学）；Universidad de los Andes（洛斯安第斯大学）；Apromore（Apromore公司）
业务流程模拟是一种众所周知的方法，用于估计流程更改对时间和成本度量的影响--一种称为假设流程分析的实践。这种估计的有用性取决于基本模拟模型的准确性。数据驱动仿真（DDS）方法利用流程挖掘技术从事件日志中学习流程仿真模型。实证研究表明，虽然DDS模型充分捕捉到观察到的活动序列及其频率，但它们无法准确捕捉到现实生活中的过程的时间动态。相比之下，生成式深度学习（DL）模型能够更好地捕捉这种时间动态。DL模型的缺点是，由于其黑盒性质，用户无法更改它们进行假设分析。本文提出了一种混合的方法来学习过程仿真模型的事件日志，其中（随机）过程模型是通过DDS技术提取，然后结合DL模型生成时间戳的事件序列。实验评估表明，所得到的混合仿真模型匹配的时间精度的纯DL模型，同时部分保留了什么，如果DDS方法的分析能力。
2022-03-19 cs.AI cs.SE
