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
Recording of 50 Business Assignments
Microsoft Development Center Copenhagen（微软哥本哈根开发中心）
本文针对流程挖掘领域的业务任务分析研究需求，发布了包含50个真实业务流程的综合数据集，可为任务挖掘、流程自动化等方向的研究与实践提供支撑。
2023-08-22 cs.AI cs.SE
Navigating Process Mining: A Case study using pm4py
University of Miskolc（米什科尔茨大学）
本研究使用pm4py库对道路交通罚款管理流程开展全面分析，通过多种挖掘算法发现并可视化流程模型，讨论各方法优劣，为流程优化提供见解，验证了pm4py的实用价值。
2024-09-17 cs.AI
Generative AI Usage of University Students: Navigating Between Education and Business
Heilbronn University of Applied Sciences（海尔布隆应用科学大学）；University of Hagen（哈根大学）
本研究通过扎根理论分析大学生在教育与商业中使用生成式AI的特点，揭示其潜力与挑战，为教育者和开发者提供参考。
2026-02-18 cs.AI cs.CY cs.HC
An End-to-End Approach for Online Decision Mining and Decision Drift Analysis in Process-Aware Information Systems: Extended Version
University of Vienna（维也纳大学）；Technical University of Munich（慕尼黑工业大学）
决策挖掘能够从事件日志或流中发现决策规则，并构成深入分析和优化业务流程的重要组成部分。到目前为止，决策挖掘仅仅是以事后的方式应用的，从而为给定的日志数据块生成决策规则的快照。相比之下，在线决策挖掘可以连续监控决策规则的演变和决策漂移。因此，本文提出了一种端到端的方法，发现以及监测决策点和相应的决策规则在运行时，弥合在线控制流发现和决策挖掘之间的差距。该方法提供了自动决策支持的过程感知信息系统与有效的决策漂移发现和监测。为了进行监控，不仅要考虑决策规则在准确性方面的性能，还要考虑数据元素的出现和分支频率的变化。本文提供了两个算法，这是四个合成和一个现实生活中的数据集进行评估，显示该方法的可行性和适用性。总体而言，该方法促进了对业务流程中决策的理解，从而有助于改善人与流程的交互。
2023-03-07 cs.AI
The WHY in Business Processes: Discovery of Causal Execution Dependencies
IBM Research（IBM研究院）
本研究针对流程发现算法仅依赖时间先后、缺乏因果视角的问题，提出结合活动时序与现有因果发现算法的系统性方法，挖掘流程任务的因果执行依赖，分析流程挖掘模型与因果模型的差异并标注，在合成及公开基准数据集上完成验证。
2024-11-29 cs.AI
Web Usage Mining Using Artificial Ant Colony Clustering and Genetic Programming
电子商务的快速发展使企业界和客户都面临着新的形势。由于激烈的竞争，一方面和客户的选择，从几个替代品的商业社会已经意识到智能营销策略和关系管理的必要性。Web使用挖掘试图从用户与Web的交互中获得的辅助数据中发现有用的知识。Web使用挖掘对于有效的Web站点管理、自适应Web站点的创建、商业和支持服务、个性化、网络流量分析等都具有重要意义。蚁群行为及其自组织能力的研究对知识检索/管理和决策支持系统科学具有重要意义，因为它提供了分布式自适应组织模型，其可用于解决困难的优化、分类和分布式控制问题等。在本文中，我们提出了一个蚂蚁聚类算法来发现Web使用模式（数据集群）和线性遗传编程的方法来分析访问者的趋势。实证结果清楚地表明，蚁群聚类表现良好时，相比自组织地图（聚类Web使用模式），即使性能的准确性是不是有效的进化模糊聚类（i-miner）的方法相比。关键词：Web使用挖掘，群体智能，蚂蚁系统，Stigmergy，数据挖掘，线性遗传编程。
2004-12-17 cs.AI cs.NE
Store Location Selection via Mining Search Query Logs of Baidu Maps
Baidu Research（百度研究院）；Tsinghua University（清华大学）
在开设新店时选择一个好的位置对企业未来的成功至关重要。传统的方法包括离线人工调查，这是非常耗时的，以及基于普查数据的分析模型，这是无法适应动态的市场。来自各种类型移动设备的大数据（例如在线查询数据和离线定位数据）的可用性的快速增加为我们提供了开发用于商业商店布局的自动且准确的数据驱动的预测模型的可能性。本文通过挖掘百度地图的搜索查询数据，提出了一种基于需求分布驱动的商店布局（D3SP）框架。D3SP首先通过中国最大的在线地图搜索引擎百度地图的查询数据，检测客户对不同业务服务需求的时空分布，并检测需求与供应之间的差距。然后，我们通过聚类这些间隙来确定候选位置。在最后一个阶段，我们通过预测和排名客户的数量来解决位置优化问题。我们不仅部署了监督回归模型来预测客户数量，还学习了排名模型来直接对位置进行排名。我们评估我们的框架在现实世界的情况下，各种类型的企业，实验结果表明，我们的方法的有效性。D3SP作为店铺布局的核心功能，已经作为我们商业分析平台的核心组件实现，并可能被百度糯米上的连锁店商家使用。
2016-06-12 cs.AI cs.IR
Modified Apriori Graph Algorithm for Frequent Pattern Mining
Bangalore Institute of Technology（班加罗尔理工学院）
Web使用挖掘是数据采掘技术的一种应用，它从Web数据中发现用户感兴趣的使用模式，从而更好地理解和服务于基于Web的应用。本文提出了一种算法来找到这些使用模式，使用修改后的版本的Apriori算法称为Apriori图。这些规则将帮助服务提供商预测用户接下来可能访问哪些网页。这将在效率，带宽方面优化网站，并为他们带来积极的经济效益。本文提出的Apriori图算法O（（V）（E））比现有的Apriori算法运算速度更快，更适合于实时应用。
2018-04-27 cs.AI cs.DB
An Integrated Classification Model for Financial Data Mining
Fudan University（复旦大学）；University College Dublin（都柏林大学）
如今，财务数据分析在商业市场中变得越来越重要。随着企业从日常运营中收集越来越多的数据，他们希望从现有收集的数据中提取有用的知识，以帮助对新客户的请求做出合理的决策，例如用户信用类别，流失分析，房地产分析等。金融机构已经应用了不同的数据采掘技术来提高他们的业务绩效。然而，这些技术的简单方法可能会引起性能问题。此外，对于不同的金融领域，既能理解又能预测的通用模型还很少。本文提出了一种新的金融数据分类模型。我们还使用不同的真实数据来评估该模型，以显示其性能。
2016-09-09 cs.AI cs.LG
CONDA-PM -- A Systematic Review and Framework for Concept Drift Analysis in Process Mining
Institute for Databases and Information Systems, Ulm University（乌尔姆大学数据库与信息系统研究所）；Faculty of Computers and Information, Mansoura University（曼苏拉大学计算机与信息学院）；Faculty of Media Engineering and Technology, German University in Cairo（开罗德国大学媒体工程与技术学院）
业务流程随着时间的推移而发展，以适应不断变化的业务环境。这需要持续监控业务流程，以了解它们是否符合预期设计或偏离预期设计。当业务流程在分析过程中发生变化时，这种情况被称为概念漂移。它的分析涉及研究业务流程如何变化，检测和定位变化并研究后者的影响。概念漂移分析是至关重要的，使早期检测和管理的变化，也就是说，是否促进变化，成为一个改进的过程的一部分，或拒绝变化，并作出决定，以减轻其影响。尽管它的重要性，目前还没有一个全面的框架来分析概念漂移类型，受影响的过程的角度来看，和粒度级别的业务流程。本文提出了流程挖掘中的概念漂移分析（CONDA-PM）框架，描述了概念漂移分析方法的阶段和要求。CONDA-PM源自对分析概念漂移的当前方法的系统性文献综述（SLR）。我们将CONDA-PM框架应用于当前的概念漂移分析方法，并评估其成熟度。应用CONDA-PM框架突出了需要研究以补充现有努力的领域。
2020-09-08 cs.AI cs.LG cs.SE
Workload Prediction of Business Processes -- An Approach Based on Process Mining and Recurrent Neural Networks
Data Analytics Group, Haute Ecole Arc Ingénierie HES-SO, University of Applied Sciences Western Switzerland（瑞士西部应用科学大学西部应用科学大学阿尔科工程学院数据分析组）
工业机器的互联性和数字化的最新进展，即工业4.0，为新的分析技术铺平了道路。事实上，与生产相关的数据的可用性和丰富性使新的数据驱动方法成为可能。在本文中，我们提出了一个过程挖掘方法增强了人工智能，（1）重建的历史工作量的公司和（2）预测的工作量使用神经网络。我们的方法依赖于日志，表示与制造相关的业务流程的历史。这些日志用于量化供应和需求，并输入到一个递归神经网络模型中，以预测客户订单。然后，根据跟踪频率和活动相似性等标准，使用重放机制从历史记录中对满足这些订单的相应活动进行采样。该方法的评估和说明是在Heraeus Materials SA的行政流程上进行的。一年测试集上的工作负载预测在一周的预测中达到了19%的MAPE分数。该案例研究表明了一个合理的准确性，并证实了一个很好的了解历史的工作量结合明确的预测是非常有助于支持管理决策，并可以降低成本与更好的资源规划在中期一级。
2020-02-14 cs.AI cs.DB cs.LG
U-Sem: Semantic Enrichment, User Modeling and Mining of Usage Data on the Social Web
TU Delft（代尔夫特理工大学）
随着社会化Web应用的日益普及，每天都有越来越多的用户数据被发布到Web上。我们的研究重点是调查从这些平台中挖掘数据的方法，这些数据可用于建模用户和语义增强用户简档。这个过程可以增强各种自适应基于Web的系统的适应性和个性化。在本文中，我们提出了U-Sem的人建模服务，语义丰富和挖掘的人的配置文件在社交网络上的使用数据的框架。我们解释了我们的人建模服务的架构，并描述其应用程序在成人电子学习环境中作为一个例子。版本：Mar 21，10：10，Mar 25，09：37
2011-04-01 cs.AI cs.HC cs.IR
Augmented Web Usage Mining and User Experience Optimization with CAWAL's Enriched Analytics Data
提出 AWUM 方法，利用 CAWAL 丰富的交互数据对逾 120 万条会话进行使用挖掘和关联规则分析，以揭示用户行为模式并支持大规模用户体验优化。
2025-10-20 cs.AI cs.HC
A Pipeline for Business Intelligence and Data-Driven Root Cause Analysis on Categorical Data
Sardar Patel Institute of Technology（萨达尔·帕特尔理工学院）
商业智能（BI）是从现有数据中获得的任何知识，可以在业务中战略性地应用。数据采掘是一种使用统计数据建模从数据中提取BI的技术或方法。查找已收集的各种数据项之间的关系或相关性可用于提高业务绩效或至少更好地理解正在发生的事情。根本原因分析（RCA）是发现问题或事件的根本原因，以确定适当的解决方案。RCA可以显示事件发生的原因，这有助于避免将来发生问题。本文提出了一种新的聚类+关联规则挖掘管道，用于从数据中获取业务洞察。这个管道的结果是以关联规则的形式出现的，这些关联规则具有结果、前因和评估这些规则的各种度量。该管道的结果可以帮助锚定重要的业务决策，也可以被数据科学家用于更新现有模型或开发新模型。在生成的规则中，任何事件的发生都由其前因来解释。因此，该输出还可以帮助进行数据驱动的根本原因分析。
2022-11-12 cs.AI cs.LG
A Dynamic Clustering-Based Markov Model for Web Usage Mining
马尔可夫模型已被广泛用于建模用户的Web导航行为。在这项工作中，我们提出了一个动态的聚类为基础的方法，以增加马尔可夫模型的准确性，代表一个集合的用户Web导航会话。该方法利用状态克隆的概念，复制状态的方式，分离的链接，其相应的二阶概率发散。此外，新方法结合了聚类技术，确定了一种有效的方式来分配在链接相似的二阶概率相同的克隆。我们报告的实验进行了真实的和随机的数据，我们提供了一个比较的N-元马尔可夫概念。结果表明，动态聚类方法引入的附加状态数可以通过一个阈值参数来控制，并且该方法的性能与模型大小呈线性关系。
2004-06-17 cs.AI cs.IR
Explainable Artificial Intelligence for Process Mining: A General Overview and Application of a Novel Local Explanation Approach for Predictive Process Monitoring
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔大学）
现代的流程感知信息系统具有记录流程执行过程中产生的活动的能力。为了利用这些过程特定的细粒度数据，过程挖掘最近成为一个有前途的研究学科。预测性业务流程管理作为流程挖掘的一个重要分支，追求的目标是产生前瞻性、预测性的洞察力来塑造业务流程。在这项研究中，我们提出了一个概念框架，旨在建立和促进决策环境的理解，基本的业务流程和用户特征的性质，开发可解释的业务流程预测解决方案。因此，关于该框架的理论和实践意义，本研究提出了一种新的局部事后解释方法，用于深度学习分类器，该方法有望促进领域专家证明模型决策的合理性。与其他流行的基于扰动的局部解释方法相反，本研究通过使用深度神经网络学习的中间潜在空间表示来定义验证数据集的局部区域。为了验证所提出的解释方法的适用性，使用了沃尔沃比利时IT公司的事件管理系统提供的真实过程日志数据。所采用的深度学习分类器取得了良好的性能，ROC曲线下面积为0.94。生成的本地解释也被可视化，并与相关的评估措施，预计将增加用户的信任在黑盒模型。
2020-09-12 cs.AI cs.LG stat.ML
A Case for Business Process-Specific Foundation Models
IBM Research（IBM研究院）
大语言模型的出现有助于提高许多自然语言任务的最新性能。这也为其他领域和数据形态（如图像、代码和音乐）的基础模型开发打开了大门。在本文中，我们认为，业务流程数据表示有独特的特点，保证一类新的基础模型的发展，以处理任务，如流程挖掘，优化和决策。这些模型还应该解决将人工智能应用于业务流程的独特挑战，包括数据稀缺、多模式表示、特定领域术语和隐私问题。
2022-11-30 cs.AI cs.NE
A Fuzzy Approach for Feature Evaluation and Dimensionality Reduction to Improve the Quality of Web Usage Mining Results
P.A. College of Engineering（P.A.工程学院）；J.N.T. University（J.N.T.大学）
Web使用挖掘是将数据采掘技术应用于Web使用日志存储库，以发现可用于分析用户导航行为的使用模式。在预处理阶段，原始Web日志数据被转换成一组用户简档。每个用户简档捕获一组表示用户会话的URL。可以将聚类应用于该会话化数据，以便在用户导航模式中捕获相似的兴趣和趋势。由于会话化数据可能包含数千个用户会话，并且每个用户会话可能由数百个URL访问组成，因此通过消除低支持度URL来实现降维。非常小的会话也会被删除，以过滤掉数据中的噪声。但是直接消除低支持URL和小会话可能会导致大量信息的丢失，特别是当低支持URL和小会话的计数很大时。我们提出了一个模糊的解决方案来处理这个问题，通过分配权重的URL和用户会话的基础上的模糊隶属函数。在分配权重之后，我们应用模糊c均值聚类算法来发现用户简档的聚类。在本文中，我们描述了我们的模糊集理论的方法来执行特征选择（或降维）和会话权重分配。最后，我们比较了我们的软计算为基础的降维方法与传统的方法，直接消除小会话和低支持计数的URL。我们的研究结果表明，模糊特征评价和降维结果更好的性能和有效性指标的发现集群。
2015-09-01 cs.AI cs.DB cs.IR
Evaluating Conformance Measures in Process Mining using Conformance Propositions (Extended version)
RWTH Aachen University（亚琛工业大学）；Eindhoven University of Technology（埃因霍温理工大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）
流程挖掘揭示了流程模型与现实流程之间的关系。流程发现可用于从事件日志中了解流程模型。一致性检查关注于量化业务流程模型的质量，该质量与业务流程执行期间记录的事件数据有关。存在不同类别的一致性度量。召回，也称为适应性，关注于量化在事件日志中观察到的行为符合流程模型的程度。精确度与量化流程模型允许多少在事件日志中从未观察到的行为有关。泛化关注于量化流程模型泛化到业务流程中可能发生但在事件日志中从未观察到的行为的程度。这些年来，已经开发了许多召回率，精确度和泛化措施，但它们通常以临时的方式定义，而没有预先正式定义所需的属性。为了解决这些问题，我们制定了21个一致性命题，我们用这些命题来评估当前和现有的一致性措施。目标是通过明确提出挑战和要求（而不是提出新的措施）来引发讨论。此外，本文还概述了流程挖掘领域中可用的一致性检查措施。
2019-08-30 cs.AI cs.LG cs.SY
PMAx: An Agentic Framework for AI-Driven Process Mining
Fraunhofer Institute for Applied Information Technology（弗劳恩霍夫应用信息科技研究所）；RWTH Aachen University（亚琛工业大学）
PMAx通过隐私保护的多代理架构，使非技术人员能将业务问题转化为可靠流程洞察，避免LLM的确定性推理和隐私泄露问题。
2026-03-16 cs.AI cs.MA
A Comprehensive Survey of Data Mining-based Fraud Detection Research
Monash University（莫纳什大学）；Baycorp Advantage
这篇调查论文对过去10年中几乎所有已发表的自动欺诈检测技术和评论文章进行了分类、比较和总结。它定义了专业欺诈者，正式确定了已知欺诈的主要类型和子类型，并介绍了在受影响行业内收集的数据证据的性质。在挖掘数据以实现更高的成本节约的业务背景下，本研究提出了方法和技术以及它们的问题。与欺诈检测的所有相关评论相比，这项调查涵盖了更多的技术文章，并且是唯一一个，据我们所知，它提出了相关领域的替代数据和解决方案。
2010-09-30 cs.AI cs.CE
Extracting Semantic Process Information from the Natural Language in Event Logs
University of Mannheim（曼海姆大学）
流程挖掘侧重于分析记录的事件数据，以获得有关业务流程的真实执行的见解。虽然基本的流程挖掘技术将这些数据视为抽象事件的序列，但更高级的技术依赖于特定类型信息的可用性，例如组织挖掘中的资源和以工件为中心的分析中的业务对象。然而，这些信息通常不容易获得，而是以特别的方式与事件相关联，通常甚至作为非结构化文本属性的一部分。考虑到事件日志的大小和复杂性，这需要自动化支持来提取此类流程信息，从而启用高级流程挖掘技术。在本文中，我们提出了一种方法，实现这一点，通过所谓的事件数据的语义角色标注。我们结合了文本属性值的分析，基于一个国家的最先进的语言模型，一个新的属性分类技术。通过这种方式，我们的方法提取每个事件多达8个语义角色的信息。我们证明了该方法的有效性，通过使用广泛的事件日志的定量评估，并证明了有用的案例研究中提取的信息。
2021-03-06 cs.AI cs.CL
Intelligent Cross-Organizational Process Mining: A Survey and New Perspectives
University of Oxford（牛津大学）；Peng Cheng Laboratory（鹏城实验室）；Institute for Infocomm Research, A*STAR（新加坡资讯通信研究院（新加坡科技研究局下属））；Fudan University（复旦大学）；Squirrel Ai Learning（松鼠AI智适应教育）
本文综述流程挖掘与人工智能结合的最新进展，提出跨组织智能流程分析框架，并展望未来研究方向，旨在利用AI提升复杂多组织数据分析的预测与决策能力。
2024-07-15 cs.AI cs.CE cs.DB
Integrating Vague Association Mining with Markov Model
ITM University Gurgaon（ITM大学古尔冈分校）
万维网需求的增长提出了对用户网页请求进行预测的需求，目前应用最广泛的网页预测方法是Web使用挖掘中的模式发现过程。这一过程必然涉及到马尔可夫模型、关联规则、聚类等技术。为了获得更好的结果，引入了模糊理论和不同的技术。我们的重点是马尔可夫模型。本文利用Vague集理论，将Vague规则与马尔可夫模型相结合，以提高Vague规则的准确性。
2014-05-08 cs.AI cs.IR
HUSP-SP: Faster Utility Mining on Sequence Data
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Jinan University（暨南大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
高效用序列模式挖掘（HUSPM）由于其广泛的应用和相当的普及，已经成为一个重要的研究课题。然而，由于当HUSPM问题遇到低效用阈值或大规模数据时，搜索空间的组合爆炸，解决HUSPM问题可能是耗时和内存开销的。已经提出了几种算法来解决这个问题，但它们在运行时间和内存使用方面仍然花费很多。在本文中，为了进一步有效地解决这个问题，我们设计了一个紧凑的结构称为序列投影（seqPro），并提出了一个有效的算法，即发现高效用的序列模式与seqPro结构（HUSP-SP）。HUSP-SP利用紧凑的序列数组在序列数据库中存储必要的信息。seqPro结构被设计为有效地计算候选模式的效用和上限值。此外，一个新的上限的效用，即更严格的减少序列效用（TRSU）和两个修剪策略，在搜索空间中，被用来提高挖掘性能的HUSP-SP。在合成和真实数据集上的实验结果表明，HUSP-SP可以显着优于国家的最先进的算法在运行时间，内存使用，搜索空间修剪效率和可扩展性。
2022-12-29 cs.AI cs.DB
A Technique for Determining Relevance Scores of Process Activities using Graph-based Neural Networks
Friedrich-Alexander-Universität Nürnberg-Erlangen（纽伦堡-埃尔朗根弗里德里希-亚历山大大学）
通过流程挖掘生成的流程模型描述了流程的现状。通过使用诸如活动的频率或持续时间之类的度量进行注释，这些模型为流程分析人员提供了通用信息。为了改进业务流程的性能度量，流程分析师需要流程模型的进一步指导。在这项研究中，我们设计了图相关性矿工（GRM），一种基于图神经网络的技术，以确定相关性分数的过程活动的性能指标。用这样的相关性分数来注释流程模型有助于对业务流程进行以问题为中心的分析，将这些问题置于分析的中心。我们使用来自不同领域的四个数据集来定量评估我们的技术的预测质量，以证明相关性分数的可靠性。此外，我们提出了一个案例研究的结果，突出了该技术的实用性组织。我们的工作有重要的影响，无论是研究和业务应用，因为基于流程模型的分析功能的缺点，需要迫切解决，以实现成功的流程挖掘在企业级。
2021-02-03 cs.AI cs.LG stat.ML
Event Stream-Based Process Discovery using Abstract Representations
Eindhoven University of Technology（埃因霍温理工大学）
流程发现源于流程挖掘领域，其目的是基于业务流程执行数据发现流程模型。大多数进程发现技术依赖于事件日志作为输入。事件日志是捕获业务流程执行的历史数据的静态源。在本文中，我们专注于过程发现依赖于业务流程执行事件的在线流。从事件流中学习过程模型既带来了挑战，也带来了机遇，即我们需要使用有限的内存和最好是恒定的时间来处理无限数量的数据。我们提出了一个通用的体系结构，允许采用几类现有的进程发现技术的事件流的上下文中。此外，我们提供了几个实例的架构，伴随着在过程挖掘工具包ProM（http：//www.example.com）的实现。promtools.org使用这些实例，我们评估几个方面的流为基础的进程发现。评估表明，所提出的架构允许我们解除流程发现流域。
2017-04-25 cs.AI cs.DB cs.DS
