Process Mining Embeddings: Learning Vector Representations for Petri Nets

流程挖掘提供了强大的技术，用于发现、分析和增强现实世界的业务流程。在这种情况下，Petri网提供了一种表达过程行为的表达方式。然而，直接分析和比较复杂的Petri网存在挑战。本研究介绍了PetriNet2Vec，这是一种基于自然语言处理概念的新型无监督方法，灵感来自于Doc2Vec，并旨在促进将过程模型表示为嵌入向量的有效比较、聚类和分类。这些嵌入向量允许我们量化不同过程模型之间的相似性和关系。我们使用包含96个不同Petri网模型的PDC数据集对我们的方法进行了实验验证。我们进行了聚类分析、创建了UMAP可视化，并训练了一棵决策树，为PetriNet2Vec区分过程模型及其组成任务之间的有意义的模式和关系的能力提供了有力证据。通过一系列实验，我们证明了PetriNet2Vec能够学习Petri网的结构以及用于模拟数据集中过程模型的主要属性。此外，我们的结果展示了学习嵌入在流程挖掘增强中两个关键的下游任务中的实用性：流程分类和流程检索。

该论文旨在提出一种基于自然语言处理概念的无监督方法PetriNet2Vec，用于比较、聚类和分类Petri网模型，以发现、分析和提高实际业务流程。该方法的目标是解决直接分析和比较复杂Petri网所面临的挑战。

PetriNet2Vec是一种无监督的方法，基于自然语言处理中的Doc2Vec概念，旨在将Petri网模型表示为嵌入向量，以便进行比较、聚类和分类。这种嵌入向量可以量化不同流程模型之间的相似性和关系，并且能够学习Petri网的结构和主要属性。

该论文使用PDC数据集进行实验验证，展示了PetriNet2Vec的能力，包括聚类分析、UMAP可视化和决策树训练，以揭示流程模型及其组成任务之间的有意义的模式和关系。此外，论文还展示了学习到的嵌入向量在流程分类和流程检索两个下游任务中的实用性。

最近的相关研究主要集中在Petri网的可视化和分析方面。其中一些研究包括“Petri net-based process modeling and analysis”，“A visual language for Petri nets and its analysis”，“Process mining using BPMN: relating event logs and process models”。