GRAG4PM: Graph Retrieval Augmented Generation Framework Adapted for Process Mining

doi:10.3390/app16105152

GRAG4PM: Graph Retrieval Augmented Generation Framework Adapted for Process Mining

2026-05-01

0

PRE

AI

DOI：10.3390/app16105152

原文链接

原文求助

摘要

En 中文

近期生成式AI的进步提升了流程挖掘，使工作流分析更加便捷和可扩展。然而，大型语言模型缺乏结构化推理，无法捕捉工作流中的序列依赖关系，限制了其有效性。虽然检索增强生成（RAG）改善了上下文知识的整合，但它不强制执行流程执行约束，导致工作流建模不一致。为解决此问题，我们提出了GRAG4PM，一种专为流程挖掘设计的图检索增强生成框架。GRAG4PM引入了三项关键创新：一种分层图架构，用于捕捉多级流程语义；一种自适应剪枝机制，在优化工作流表示的同时保留关键信息；以及一种流程特定的双索引方案，将现有混合检索适应于工作流图的约束。实验结果表明，GRAG4PM显著提升了工作流验证、异常检测和预测分析，特别是在处理不完整信息方面。在三项评估的任务中（工作流状态验证、违规检查和下一活动预测），GRAG4PM的平均Macro-F1得分为0.7259，优于Graph RAG（0.4394）和标准RAG（0.4036）。在缺失属性设置下，GRAG4PM也在各种掩码条件下保持了最高的平均Macro-F1，证实了其在不完整数据场景下的鲁棒性。通过平衡结构化工作流约束与灵活的AI驱动检索，GRAG4PM实现了动态、可解释和自适应的流程挖掘解决方案，并为未来改进AI工作流解决方案的研究探索了有前景的方向。

Keyword:

graph RAG

process mining

LLM

GRAG4PM: Graph Retrieval Augmented Generation Framework Adapted for Process Mining

摘要

期刊

机构

引用论文