结合流程挖掘与大语言模型的混合概念漂移检测框架
《Applied Sciences》:A Hybrid Framework for LLM-Assisted Concept Drift Analysis in Process Mining
【字体:
大
中
小
】
时间:2026年10月24日
来源:Applied Sciences 2.5
摘要
业务流程随时间持续演变。工作量、组织实践、季节性因素或外部条件的变化可能会改变流程的执行方式,使得概念漂移(CD)成为流程挖掘(PM)中的一个重要问题。现有的漂移检测方法虽然能够定位变化,但很少解释发生了什么,也不提供自然语言交互功能,这限制了非专家人员的使用。大语言模型(LLMs)在自然语言方面表现出强大的能力,但其输出可能缺乏事件数据的支持。我们提出了一种混合框架,通过结合PM技术和LLM能力来实现PM中的漂移检测。事件日志首先被划分为时间上不重叠的窗口,窗口大小可配置(合成日志为40,真实日志为80)。子日志经过抽象处理后,由LLM进行比较以提取候选变化,这些候选变化通过Kolmogorov–Smirnov检验和Mann–Whitney检验进行验证()。经验证的变化被存储在变化日志中,并组织成分类的变化树,作为检索增强生成(RAG)组件的知识源,用于自然语言探索。在合成日志上,注入的风险评估插入项得到了验证(),ProDrift在同一位置定位到了漂移。在真实的SEPSIS日志上,报告了三种变化,并与ProDrift的结果进行了比较。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号