本研究提出了一种通用性度量框架，用于从事件日志中发现模式并与流程模型进行比较。通过神经网络和聚类方法，解决了点击数据分析的障碍，验证了流程挖掘对事件日志的影响。同时，研究了不确定性事件数据的应用，提出了基于上下文的异常检测方法，以提高流程洞察力。

本研究提出了一种通用性度量框架，用于从事件日志中发现模式并与流程模型进行比较。研究内容包括自动化合成算法、预测准确性、因果关系揭示、基于语法推理的过程发现、新的异常检测方法及数据驱动的仿真建模，旨在提升流程挖掘的准确性和效率。

该研究综述了深度学习在流程挖掘中的应用，分析了数据处理方案和预测模型的优缺点。评估了多种机器学习算法在制造业时序分类中的表现，发现ResNet等算法的准确率超过96.6%。同时，提出了新的异常检测分类法，强调评估指标和数据集缺陷的重要性，以推动实际应用。

BPMN是理解业务流程的关键方法，通过图形可视化清晰地表示流程，使参与者更容易理解。BPMN是一种标准图形符号语言，可以描述业务流程中操作、资源和参与者的角色。流程图可以改善不同部门之间的沟通和协作，识别流程的负责人和定义参与者之间的依赖关系。业务流程是动态的，需要定期更新以反映实际状态。事件风暴和BPMN都强调沟通和知识共享，可以结合使用。流程挖掘是一种补充BPMN的流程分析技术，可以显示流程在实践中如何展开。BPMN、流程挖掘和事件风暴都是理解业务流程的工具，可以帮助组织改进流程并提高效率。

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。

本文介绍了使用 CLINGO 实现特殊目的系统的两种方法：元编程和应用程序接口。重点讨论了 ASP 在声明性流程挖掘中的应用，包括日志生成、一致性检查和查询检查。此外，研究了机器学习在 ASP 求解器中的应用，提出了新的编码模式和可解释性研究，以提升知识表示和推理的可靠性。