目标驱动的流程变体分类

流程发现很少产出单一连贯的流程结构。为开展分析，常见做法是基于结构相似性聚类流程变体，再为所得分组赋予业务含义。由于这些划分并非源自组织目标，分析人员必须人工解读并将变体归并为具有业务意义的类别。随着变体数量与复杂度增长，这一高度依赖判断的步骤愈发困难。本文提出一种目标驱动的变体分类方法，逆转了上述工作流：我们首先编写组织的目标模型以预定义分类轴；将每个变体转换为描述其行为的文本叙事；大语言模型（LLM）在目标模型上下文中解读叙事并将变体归入最合适的类别。基于LLM的语义推理将底层流程行为与分析人员定义的业务目标连接起来。我们端到端地实例化该方法，并在三个规模与行为差异巨大的公开日志上评估。目标模型引导产生的划分不同于无引导归纳的结果，并能响应声明备选方案的受控编辑，代价是需要编写目标模型。