通过提出一种新的基线技术和构建基于机器学习的过程提取技术，将实体解析组件与实体和关系提取组件进行深度融合，以适应不同数据集和领域，从而避免了适应其他数据集、不同实体和关系类型或新领域所需的特征工程和规则定义所产生的巨大开销。

May, 2023

近年来，过程挖掘作为一项成熟技术被应用于分析和改进运营过程。本文提出了一个通过使用不同的过程模型相似性度量来对类似的局部过程模型进行分组的三步流程，并通过实际案例研究展示了分组的实用性以及发现的局部过程模型的重复性对其进行改进的影响。

Nov, 2023

通过将 LLMs 的相关性和知识系统以及自动推理方法的分析精度和可靠性相结合，提出了大型过程模型（LPM），该模型将大大减少业务转型所需的时间和工作量，并能提供比以前更深入、更有影响力和更具操作性的见解。

Sep, 2023

该研究利用设计的时空跨模态实体图（TMEG）来对多媒体文档进行精细级别的机器理解。在 CraftQA 上进行的综合实验表明了 TMEG 的有效性。

Apr, 2022

本篇论文提出了一种基于原始输入句子提取多粒度特征的新方法，该方法包含实体提及级别、片段级别和句子级别三种特征，并采用层次化建模方法，以解决自然语言处理中的关系提取问题，实验证明该模型性能优于甚至使用外部知识的现有最先进模型。

Apr, 2022

大规模语言模型（LLMs）在文本相关的业务流程管理任务中表现出与现有解决方案相当甚至更好的性能，这为未来的 BPM 研究和实际应用带来了重要的启示。

Jul, 2023

本文提出了一种通过使用转移学习的方法，并结合深度神经网络和统计分类器的结合来进行信息提取，将该方法应用于日本政府工程竞标实际案例的文档处理中，证明了该模型能够提取具有详细信息精度的细粒度命名实体。

Mar, 2020

该论文介绍了一种名为 Process-To-Text (P2T) 的框架，该框架集成了三种人工智能模式，用于自动生成流程的文本描述解释，并展示了在心脏病领域的真实应用案例，显示了 P2T 为专业人士提供自然语言解释的潜力。

May, 2023

本文介绍了一种基于事件聚类的自动化合成算法，用于从底层事件日志中发现层次化业务流程模型，以便生成更易读和理解的过程模型。

Mar, 2023

企业协作系统（ECS）的社交流程挖掘中，通过事件抽象的方法（ECSEA）对细粒度 ECS 事件日志进行处理，使其能够成功地应用于从 ECS 日志中发现流程模型的过程挖掘（PM）中。

Aug, 2023