一种用于无标注流程挖掘（Process Mining, PM）事件日志中识别Case ID属性的简易启发式方法（A Simple Heuristic for the Identification of the Case ID Attribute in Unlabelled Process Mining Event Logs）

《Array》：A simple heuristic for the identification of the case ID attribute in unlabelled process mining event logs

　　

摘要：本研究解决了在无标注事件日志（unlabelled event logs）中识别和标注案例标识符（Case ID attribute）这一流程挖掘（Process Mining, PM）中的关键挑战。Case ID将事件唯一关联至单个流程实例，是准确分析和发现运营洞察的基础。人工识别Case ID易出错且耗时，常阻碍流程挖掘分析的可扩展性与可靠性。本文提出一种新颖的启发式方法自动识别Case ID，提升了多样化真实数据集下的效率与准确率。所提启发式利用事件日志中观测到的独特时间模式区分Case ID属性与其他属性，计算时间跨度（temporal spans）的加权平均值，并应用可定制参数以优先排序相关属性。该方法使用来自业务流程智能（Business Process Intelligence, BPI）Challenge的27个数据集进行验证，涵盖多行业及不同事件日志复杂度。性能度量（含成功率和计算效率）与现有方法进行基准对比。该启发式方法在Top-1排名中达到85.2%的成功率，且在至少存在一个重复分类属性（repeating categorical attribute）的条件下保持有效——该条件几乎被所有公开商业与工业日志满足。即便在循环流程（cyclic processes）和多相关数据的挑战性场景下，该方法也始终将Case ID排在候选属性前列。方法在多样数据集上表现出鲁棒性，可在数秒内处理大型事件日志，突显其实用性。本研究贡献了一种创新且可解释的Case ID识别方法，仅需原始事件日志，区别于依赖预标注数据或复杂流水线的现有方法。其简洁性、高效性及对不同流程类型的适应性，使其成为推进流程挖掘能力的宝贵工具。

论文解读：无标注流程挖掘事件日志中Case ID属性的启发式识别方法

研究背景与问题

流程挖掘（Process Mining, PM）依赖结构化事件日志（event logs），其中案例标识符（Case ID attribute）用于将事件绑定至特定流程实例（process instance），是进行流程发现（process discovery）、一致性检查（conformance checking）及流程增强的前提。然而，现实场景导出的事件日志常为无标注（unlabelled）扁平CSV或数据库表，缺乏明确的Case ID列标识。当前主流流程挖掘工具（如ProM、Disco）要求分析师手动指定Case ID、活动（activity）及时间戳（timestamp），此过程依赖专家经验且极为耗时——数据准备占端到端PM工作量的40%~60%，其中Case ID识别最为繁琐。人工标注在属性众多（数十至上百列）、含义模糊时易引入主观错误，导致后续流程模型碎片化或偏差，进而影响管理决策。现有自动识别方法分为两类：一是基于模型的方法（model-driven methods），需对每个候选列执行流程发现与对齐重放（token-based replay / alignment），计算开销大（O(n)次挖掘调用），不适用于百万级事件日志；二是基于机器学习的方法（learning-based methods），需大量标注语料训练分类器或CNN，跨域泛化性差且为黑盒。此外，部分事件—案例关联（event-case correlation）方法解决的是Case ID完全缺失时的追溯重构问题，而非从已有列中判定哪列为Case ID。因此，亟需一种轻量、无训练、无模型依赖、可解释且高效的自动化Case ID识别启发式。

本文由André Vicente、Carlos Grilo、Rui Rijo及Ricardo Martinho撰写，发表于《Array》，研究人员提出一种基于时间跨度（temporal span）度量的启发式算法，用于在无标注事件日志中自动排序并推荐最可能的Case ID属性列。

主要关键技术方法

研究人员选取业务流程智能（Business Process Intelligence, BPI）Challenge 2011–2020共27个真实事件日志作为测试队列（涵盖医院诊疗、贷款申请、IT事件管理、建筑许可、保险交互等，属性数6~174，事件数289~9,329,418）。方法分三步：①输入归一化（Input normalisation）——清洗空行列与单值/全唯一列，自动识别单时间戳或起始—完成（start/complete）双时间戳对，按起始时间排序并按候选属性值分组；②针对每属性计算每个离散值v_i的时间跨度ΔT_i=TMax_i?TMin_i（末次与首次事件发生时间之差），以该值出现次数NO_i为权重作加权聚合，再除以唯一值数NUV作惩罚，形成启发式评分h_attr=Σ[(ΔT_i)^a·NO_i]^b/ NUV^c；③取h_attr最小之属性列为Case ID推荐（默认参数a=0.5, b=1, c=2）。算法复杂度主导项为排序O(n log n)，实测毫秒至秒级。该方法要求日志含至少一个重复出现的分类/枚举/字符串列，且属单一流程范畴。

研究结果

4.1. Datasets used（数据集说明）

研究人员使用27个BPI Challenge日志验证，覆盖多行业、多属性维度及大事件规模，证明方法适用于异构真实数据。

4.2. Applying the heuristics（启发式应用与参数评估）

研究人员测试8组(a,b,c)参数组合。最优配置E(a=0.5,b=1,c=2)在27个日志中将真实Case ID排名为第1达23例（85.2% Top-1成功率）；Top-2命中率96%（26/27），Top-3达100%。其余7组配置Top-1成功率介于59.3%~81.5%，表明方法对参数适度变化具鲁棒性。失败案例主要为BPI 2018（Case ID排第3，因文档子标识符docid/docid_uuid与之高度相关且具更紧凑时间跨度）及少数具长周期病例（BPI 2011中部分慢病案例致时间跨度偏大，但配置E仍正确识别）。与文献对比：Andaloussi等基于流程发现的启发式准确率81%–94%但需分钟级/列运行；Toyoda等ML+挖掘混合方法约70%准确率且需15–42秒；本时间跨度启发式在更大基准集（27 vs 4–14个日志）取得相当或更高准确率且运行时间仅0.02–0.20秒/日志，提速1–2个数量级。

讨论与结论翻译总结

研究人员指出，所提启发式核心假设为Case ID各取值的平均时间跨度短于其他属性（如活动码、资源码、全局引用码），因其对应一个流程实例从发起到完结的有限时段，而活动或资源贯穿整个日志时间轴。方法无需预知流程模型、不依赖标注数据、可处理循环（cyclic）流程，且结果可解释（最小平均时间跨度即推荐列）。局限性包括：当存在与Case ID近乎一一对应且时间更集中之相关属性（如BPI 2018之docid）时会干扰排名，此时推荐向用户展示Top-2或Top-3候选供专家确认。未来工作拟探索与ML混合策略提升相关列判别、扩展至活动与时间戳属性识别、引入NLP辅助文本属性判别，以及集成至PM工具实现端到端自动化。

论文结论部分译文：

"在本研究中，我们提出了一种用于无标注事件日志中Case ID属性识别的启发式方法。该启发式基于如下假设：Case ID属性各取值之时间跨度平均值小于其他属性各取值之时间跨度平均值。启发式表达式采取属性值时间跨度的加权平均值形式，含可定制参数以灵活分配各分量权重。所提方法仅需事件日志作为输入，不论底层业务流程是否含循环均可应用，且本质可解释——被选为Case ID之属性即其各值具最小平均时间跨度。该启发式应用于取自BPI Challenge之27个事件日志，最优配置在23/27日志中成功识别Case ID（85.2%成功率）。结果显示方法具鲁棒性，8组配置中7组达74.1%以上Top-1成功率；多数未获首位之情形排第二。此外，最优配置在与文献可直接对比之日志子集上均正确赋予Case ID首位排名。结果表明所提启发式可作为无标注事件日志Case ID识别之实用高效工具。其简洁性与可解释性区别于常需预标注或复杂训练管线之监督方法，通过聚焦时间模式与加权平均有效隔离Case ID属性，在多样真实数据集具较高成功率，适用于循环与非循环业务流程，为流程挖掘从业者提供稳健方案。局限见于高相关属性干扰（如BPI 2018），未来将通过结合ML方法改进；亦计划扩展至活动与时间戳识别、引入NLP处理非结构化文本属性，以及整合入主流PM工具以提升工业采用率。"