INEXA: 通过面向对象的流程挖掘进行交互和可解释的流程模型抽象
内容提要
本文介绍了一种基于事件聚类的自动化合成算法，旨在从事件日志中发现层次化业务流程模型。通过事件抽象方法处理细粒度事件日志，提高流程挖掘效果，并提出基于知识图谱的方法以减轻噪声影响，同时探讨多粒度文本分类和不确定性事件数据在流程挖掘中的应用。
延伸解读
从细粒度事件到可读模型：事件抽象的作用
文章指出，企业协作系统产生的细粒度事件日志直接用于流程挖掘时，往往难以生成清晰模型。ECSEA方法通过事件抽象对日志进行预处理，使这些日志能够成功应用于流程发现。这提示读者，面对复杂日志时，先进行事件层面的抽象与聚合，可能是提升流程挖掘效果的关键步骤。
知识图谱与聚类：应对噪声和复杂性的两种思路
针对事件日志中的噪声和不完整信息，文章提出基于知识图谱的方法来缓解其影响，并帮助分析师理解日志相关的可变性。同时，基于聚类的方法被用于简化Object-Centric Event Logs中的复杂流程模型，以改善B2B流程的用户体验。这两种思路分别从语义增强和结构简化入手，为不同场景下的流程分析提供了参考。
评估与可解释性：流程挖掘中不可忽视的维度
文章提及对12个公开和12个专有事件日志的系统回顾与比较评估，揭示了方法在可扩展性和质量度量上的分歧。此外，X-MOP指南通过实验测试多种分类器和可解释技术，帮助选择合适的模型。这表明，在实际应用中，除了关注发现算法的效果，还需重视模型的可解释性和评估指标的多样性。
不确定性事件数据与多粒度文本：前沿挑战
文章探讨了不确定性事件数据在流程挖掘中的现状、元属性和研究挑战，并介绍了利用层次化神经网络从文本描述中提取多粒度信息的方法。这些工作结合了自然语言处理与业务流程管理，指向了流程挖掘中处理模糊数据和文本信息的新方向，值得研究者关注。
Q&A
什么是基于事件聚类的自动化合成算法？
基于事件聚类的自动化合成算法用于从底层事件日志中发现层次化业务流程模型，以生成更易读和理解的过程模型。
如何通过事件抽象方法提高流程挖掘效果？
通过事件抽象方法（ECSEA）处理细粒度ECS事件日志，使其能够成功应用于流程挖掘，从而提高效果。
知识图谱在流程分析中有什么作用？
知识图谱用于缓解事件日志中的噪声和不完整信息对流程分析的影响，帮助分析师理解事件日志的可变性。
本文对事件日志的评估结果如何？
对12个公开事件日志和12个专有事件日志进行了系统的回顾和比较评估，突出了领域中的差距和未被探索的权衡。
不确定性事件数据在流程挖掘中的研究挑战是什么？
研究挑战包括不确定性事件数据的现状、元属性以及如何有效应用于流程挖掘。
层次化神经网络在文本分类中的应用是什么？
层次化神经网络用于从文本描述中高效建模和提取多粒度信息，结合自然语言处理和业务流程管理。
