Recommendations for web service composition by mining usage logs
Web服务组合是近十年来研究最多的课题之一。Web服务组合的新方法包括基于语义的组合、基于WSDL的组合等。虽然这些方法为基于网络QoS参数和与WSDL相关的语义或本体的Web服务组合、搜索和发现提供了有希望的结果，但它们没有解决基于Web服务使用的组合。Web服务使用日志通过业务对象捕获Web服务调用的时间序列数据，这些业务对象天生捕获与业务操作相关联的模式或工作流。基于这种模式和工作流的Web服务组合可以极大地简化业务操作。在本研究工作中，我们试图探索和实现Web服务使用日志的挖掘方法。主要目标包括识别服务的使用关联。将一个服务调用与其他服务调用链接，评估服务关联之间的因果关系
2016-04-11 cs.DB cs.SE
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
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 Constraints from Reference Process Models for Detecting Best-Practice Violations in Event Logs
本文提出一个从参考过程模型集合中挖掘声明式最佳实践约束的框架，自动选择与事件日志相关的约束并检测最佳实践违规，从而无需专用规范模型即可进行一致性检查。
2025-08-22 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
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 Event Logs to Support Workflow Resource Allocation
工作流技术被广泛应用于企业信息系统（EIS）的业务流程中，具有缩短设计时间、提高产品质量和降低产品成本的潜力。然而，仍然存在显著的局限性：作为工作流环境中的一项重要任务，许多现有的资源分配操作仍然是手动执行的，这是耗时的。本文提出了一种数据采掘方法来解决资源分配问题（RAP），提高工作流资源管理的生产率。具体地说，一个Apriori类算法被用来发现频繁模式从事件日志，并根据预定义的资源分配约束生成关联规则。随后，一个名为提升的相关性度量被用来标注负相关的资源预留资源分配规则。最后，使用置信度度量作为资源分配规则对规则进行排名。通过C4. 5、SVM、ID3、Naive Bayes和本文提出的方法进行对比实验，结果表明，本文提出的方法在准确率和候选资源推荐方面都是有效的。
2012-06-28 cs.DB 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
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
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
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
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
Explainable Verification of Hierarchical Workflows Mined from Event Logs with Shapley Values
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
Comparing Constraints Mined From Execution Logs to Understand Software Evolution
复杂的软件系统经常演变，例如，在维护期间引入新功能或修复错误时。然而，理解这种变化对系统行为的影响往往是困难的。因此，已经提出了许多方法来分析变化之前和之后的系统，例如，通过比较源代码、基于模型的表示或系统执行日志。在本文中，我们提出了一种比较运行时的约束，合成的约束挖掘算法，根据执行日志记录前后的变化。具体而言，自动挖掘的约束定义了重复发生事件的预期时间和顺序以及附加到事件的数据元素的值。我们的方法提出了不同的挖掘约束的用户，从而提供了一个更高层次的软件演化的看法，并支持对系统行为的变化的影响分析。我们提出了一个激励的例子和初步评估的基础上控制无人机的网络物理系统。我们的初步评估结果表明，我们的方法可以帮助分析改变的行为，从而有助于理解软件演化。
2020-01-08 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
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
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
Agent Behavior Mining: Generative AI Agent Governance in Business Processes
SAP；Umeå University（于默奥大学）
针对生成式AI智能体在业务流程中的不可见自主性风险，提出智能体行为挖掘方法，通过事件数据模型将智能体活动转化为标准流程日志，实现决策可观测与可追溯，并验证其实用性。
2026-06-23 cs.AI 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
The Imprecisions of Precision Measures in Process Mining
Eindhoven University of Technology（埃因霍温理工大学）
在流程挖掘中，精度度量用于量化流程模型对事件日志中所见行为的过度近似程度。虽然多年来已经提出了一些措施，没有研究已经做了验证这些措施是否达到了预期的目标，量化过近似在一个一致的方式为所有的模型和日志。本文填补了这一空白，假设一些公理量化精度一致的任何日志和任何模型。此外，我们通过反例表明，没有一个现有的措施一贯量化精度。
2017-05-16 cs.AI cs.DB cs.LO
Case Level Counterfactual Reasoning in Process Mining
Rheinisch-Westfälische Technische Hochschule Aachen (RWTH)（亚琛工业大学）
流程挖掘被广泛用于诊断流程并发现性能和合规性问题。还可以看到不同行为方面之间的关系，例如，在过程开始时偏离较多的情况往往在过程的后期被延迟。然而，相关性并不一定揭示因果关系。此外，标准的流程挖掘诊断并不指示如何改进流程。这就是我们提倡使用结构方程模型和反事实推理的原因。我们使用因果推理的结果，并调整这些结果，以便能够对事件日志和过程干预进行推理。我们已经实现了作为一个ProM插件的方法，并在几个数据集上进行了评估。
2021-12-22 cs.AI cs.SE
An Open-Source Integration of Process Mining Features into the Camunda Workflow Engine: Data Extraction and Challenges
流程挖掘提供了改进操作流程的性能和遵从性的技术。虽然有时使用术语“工作流挖掘”，但在工作流管理（WFM）和业务流程管理（BPM）系统的上下文中的应用是有限的。主要原因是WFM/BPM系统控制了流程，留下的灵活性和相应偏差的空间较小。然而，正如本文所示，从Camunda这样的系统中提取事件数据很容易，Camunda是领先的开源WFM/BPM系统之一。此外，虽然各自的流程引擎控制的过程流，过程挖掘仍然能够提供有价值的见解，如路径的性能分析和决策规则的挖掘。这篇演示论文向Camunda提供了一个流程挖掘连接器，它可以提取事件日志和流程模型，从而允许应用现有的流程挖掘工具。我们还分析了Camunda背景下不同流程采矿技术的附加值。我们讨论了一个子集的流程挖掘技术，很好地补充了Camunda的流程智能功能。通过这篇演示论文，我们希望促进Camunda用户对流程挖掘的使用。
2020-09-14 cs.DB cs.SE
Accurate and Noise-Tolerant Extraction of Routine Logs in Robotic Process Automation (Extended Version)
Department of Mathematics, University of Padua, Italy（帕多瓦大学数学系）；Department of Engineering and Science, Universitas Mercatorum of Rome, Italy（罗马默卡托里姆大学工程与科学系）
本文提出一种基于聚类的例行日志提取技术，在注入不同噪声的九个UI日志上实验表明，该方法比现有技术提取更准确，尤其在噪声场景下表现更优。
2025-10-11 cs.RO 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
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
