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

编辑推荐:

   摘要

  

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。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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