# 流程挖掘

该工作提出 pm4aa 流水线，用 PyStack't 从 GitHub 仓库抽取对象中心事件日志、用 Conventional Commits 正则把提交映射为 SE 任务、用优先级规则把 589 个用户划分为八个角色，再对每个角色做对象中心、命令式（BPMN）与声明式（DECLARE）过程挖掘并由 LLM 生成过程描述，最终经 IBM BOB 合成 LangGraph 多智能体应用；在 Commitizen 项目（2017 年 11 月至 2025 年 11 月，21,488 个事件、4,813 个对象）上得到五个角色智能体，三次冒烟测试均正确路由，十人用户研究显示知识模式、操作清晰度、人类参与中位数为 4，问责为 3，自主性仅为 2。

该工作提出 pm4aa 流水线，用 PyStack't 从 GitHub 仓库抽取对象中心事件日志、用 Conventional Commits 正则把提交映射为 SE 任务、用优先级规则把 589 个用户划分为八个角色，再对每个角色做对象中心、命令式（BPMN）与声明式（DECLARE）过程挖掘并由 LLM 生成过程描述，最终经 IBM BOB 合成 LangGraph 多智能体应用；在 Commitizen 项目（2017 年 11 月至 2025 年 11 月，21,488 个事件、4,813 个对象）上得到五个角色智能体，三次冒烟测试均正确路由，十人用户研究显示知识模式、操作清晰度、人类参与中位数为 4，问责为 3，自主性仅为 2。

该工作提出首个面向业务流程中资源级交接策略的多目标优化方法：以多智能体系统（MAS）仿真模型为输入，用NSGA-II搜索帕累托最优的人员特定交接策略，在5个合成Loan Application变体和7个真实事件日志上，相对as-is流程平均降低37%成本、58%等待时间，并在多数场景优于可用性、随机、最低成本（LC）、最短处理时间（SPT）等启发式基线。

该工作提出首个面向业务流程中资源级交接策略的多目标优化方法：以多智能体系统（MAS）仿真模型为输入，用NSGA-II搜索帕累托最优的人员特定交接策略，在5个合成Loan Application变体和7个真实事件日志上，相对as-is流程平均降低37%成本、58%等待时间，并在多数场景优于可用性、随机、最低成本（LC）、最短处理时间（SPT）等启发式基线。

该工作提出 SnapLog 流水线，先用预训练 ViT 逐帧编码并基于帧间相似度矩阵做 K-Means 时序分割与贪心合并，再用预训练于 Sports-1M 的 34 层 R(2+1)D 编码器加线性分类头做广义少样本事件分类，从而把原始视频转成带时间戳的事件日志（可输出确定性日志或保留标签概率分布的含不确定性日志）；在 TUM Kitchen 的 16 段布朗尼烘焙视频与 Epic Kitchens-100 的 24 段厨房清洁视频上，分割帧级准确率为 74.3% 与 67.7%，分类在增强加 100 个重叠片段设置下 Top-3 达 90.1% 与 85.4%，并可从 TUM 日志中发现基本合理的布朗尼烘焙流程模型。

该工作提出 SnapLog 流水线，先用预训练 ViT 逐帧编码并基于帧间相似度矩阵做 K-Means 时序分割与贪心合并，再用预训练于 Sports-1M 的 34 层 R(2+1)D 编码器加线性分类头做广义少样本事件分类，从而把原始视频转成带时间戳的事件日志（可输出确定性日志或保留标签概率分布的含不确定性日志）；在 TUM Kitchen 的 16 段布朗尼烘焙视频与 Epic Kitchens-100 的 24 段厨房清洁视频上，分割帧级准确率为 74.3% 与 67.7%，分类在增强加 100 个重叠片段设置下 Top-3 达 90.1% 与 85.4%，并可从 TUM 日志中发现基本合理的布朗尼烘焙流程模型。