研究通过PET数据集为商业流程描述提供了一个已注释的语料库，可以帮助比较流程提取方法的结果。

Mar, 2022

使用GPT-3等自然语言处理模型在业务流程管理（BPM）领域中取得了成功，但需要fine-tuning以及大量适当的训练数据。为此，本文提出可以借助prompt engineering将这些语言模型能力引入BPM研究，并提出了相关潜力和挑战的研究议程。

Apr, 2023

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

该研究主要探讨了大型语言模型在过程挖掘中的应用，以增强对话代理的能力，并改进了现有解决方案的许多问题，提高了可访问性和代理性能。通过实验验证了该框架在公共问题和数据集上的效果，为进一步探索大型语言模型在过程挖掘中的作用奠定了基础，并提出了改进大型语言模型记忆、实时用户测试和研究多样化数据集的建议。

Jul, 2023

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

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

提出了一种使用大型语言模型将条件流程树 (CPT) 转换为业务流程文本概述 (BPTS) 的方法，通过拆分困难的 CPT 并逐个解决，实现了93.42% 的正确率，比传统提示方法提高了45.17%，解决了在无数据集情况下进行业务流程文档生成的问题，并有潜力为过程模型提取领域提供大量数据集。

Sep, 2023

研究了数据增强在自然语言文本中的应用，发现它对于从自然语言文本中生成业务流程模型的机器学习方法至关重要，并且可以提高提取准确性。

Apr, 2024

通过对大型语言模型（LLMs）进行理解和监督微调，本研究详细探讨了LLMs在过程挖掘任务中的实用性和应用价值，包括语义异常检测和下一活动预测等领域，并提供了大量基准数据集进行评估实验。结果表明，在给定少量示例和上下文环境的情况下，LLMs在处理复杂过程挖掘任务时表现不佳，但经过微调后，在性能上明显优于较小的编码器模型。

Jul, 2024

本研究针对自动化过程发现方法中忽视领域知识的问题，提出了一种新的方法，通过大型语言模型直接将领域知识整合进过程发现。研究结果表明，这种方法能够有效地构建与领域知识和实际过程执行一致的过程模型，显著提升过程发现方法的有效性和实用性。

Aug, 2024