Extracting Formal Process Model Information from Natural Language Text Descriptions using Machine Learning

Titelangaben

Neuberger, Julian:
Extracting Formal Process Model Information from Natural Language Text Descriptions using Machine Learning.
Bayreuth , 2026 . - VIII, 191 S.
( Dissertation, 2025 , Universität Bayreuth, Fakultät für Mathematik, Physik und Informatik)

Volltext

	Format: PDF Name: Dissertation_Neuberger.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Deutsches Urheberrechtsgesetz. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt werden. Darüber hinaus bedürfen die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung der schriftlichen Zustimmung des jeweiligen Rechteinhabers.
	Download (10MB)

Abstract

Business process management helps businesses and organizations with understanding, improving, and automating reoccurring workflows, called business processes. One integral part to this is a formal business process model, which is expensive to create, as it needs collaboration between process participants and process analysts. Automatic generation of formal business process models is a research field working on facilitating the creation of formal process models, by extracting the information contained in existing natural language process descriptions and synthesizing a formal process model. While this field of research has become increasingly popular in recent years, many process information extraction approaches still rely on hand-written rules, which makes them hard to transfer to new application domains, description languages, or process modeling languages. Approaches based on machine learning and deep learning would provide significant benefits in this regard, as extraction rules are derived from data automatically and are therefore easier to adjust. Yet, these approaches are still rare, which can be explained by their need for large amounts of training data. This thesis presents three options to mitigate the lack of large training datasets in process information extraction, which are as follows. Facilitating the collection of new training data via proper tool support, more efficient use of existing training data, and the application of pretrained language models. Thus, this thesis paves the way for successful applications of text-to-model methods in the future.

Abstract in weiterer Sprache

Geschäftsprozessmanagement hilft Unternehmen und Organisationen dabei, wiederkehrende Arbeitsabläufe --- sogenannte Geschäftsprozesse --- zu verstehen, zu verbessern und zu automatisieren. Ein zentraler Bestandteil davon ist ein formales Geschäftsprozessmodell, dessen Erstellung kostspielig ist, da es die Zusammenarbeit zwischen Prozessbeteiligten und Prozessanalysten erfordert. Die automatische Generierung formaler Geschäftsprozessmodelle ist ein Forschungsbereich, der die Erstellung solcher Modelle erleichtern soll, indem Informationen aus bestehenden natürlichsprachlichen Prozessbeschreibungen extrahiert werden, woraus automatisch ein entsprechendes formales Prozessmodell synthetisiert wird. Obwohl dieses Forschungsfeld in den letzten Jahren zunehmend an Bedeutung gewonnen hat, basieren viele Ansätze zur Extraktion von Prozessinformationen weiterhin auf Systemen mit handgeschriebenen Regeln. Dies erschwert deren Anwendung in neuen Domänen, Beschreibungssprachen und Prozessmodellierungssprachen. Ansätze, die auf maschinellem Lernen und Deep Learning basieren, bieten hier erhebliche Vorteile, da sie Extraktionsregeln automatisch aus Daten ableiten und dadurch leichter \"ubertragbar sind. Dennoch sind solche Ansätze bisher selten, was sich durch den hohen Bedarf an Trainingsdaten erklären lässt. Diese Arbeit stellt die folgenden drei Ansätze vor, um den Mangel an ausreichend großen Trainingsdatensätzen in der Prozessinformationsextraktion zu beheben. Beschleunigte Sammlung von neuen Trainingsdaten durch angemessene digitale Unterstützung, effizientere Nutzung von vorhandenen Trainingsdaten und die Anwendung von vortrainierten Sprachmodellen. So ebnet diese Arbeit den Weg für zukünftige erfolgreiche Anwendungen von Text-zu-Modell-Methoden.