{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3337735"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3337735","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Process Mining over Conversational Data","abstract":"Η αύξηση της χρήσης της τεχνητής νοημοσύνης τα τελευταία έτη επέφερε ως αποτέλεσμα τη δημιουργία εύρους εργαλείων τεχνητής νοημοσύνης με σκοπό τη χρήση τους από το ευρύ κοινό. Εφαρμογές όπως το ChatGPT, το Dall-E, το Bard, και άλλα χρησιμοποιούνται από όλο και περισσότερα άτομα ημερησίως. Άλλες εφαρμογές τεχνητής νοημοσύνης κάνουν χρήση επεξεργασίας της φυσικής γλώσσας, επεξεργασίας εικόνων, ή κατάταξης περιεχομένου πολυμέσων για διαφημιστικούς σκοπούς. Αυτά είναι παραδείγματα εφαρμογών τεχνητής νοημοσύνης που επεξεργάζονται κείμενο φυσικής γλώσσας από τον χρήστη. Τα chatbot είναι μια ειδική κατηγορία εφαρμογών τεχνητής νοημοσύνης η οποία επεξεργάζεται φυσική γλώσσα. Ανάλογα με το σκοπό τους, τα chatbots μπορούν να συνομιλήσουν με χρήστες, και χρησιμοποιούνται σήμερα κυρίως σε υποστήριξη πελατών, για παράδειγμα αντί εκπροσώπων υποστήριξης για επίληση προβλημάτων ή για άλλες χρήσεις όπως την εύρεση εργασίας σε μια γεωγραφική περιοχή. Αυτά τα chatbot ποικίλουν ως προς την πολυπλοκότητά τους: κάποια από αυτά είναι απλά bots ερώτησης και απάντησης, άλλα bots λαμβάνουν υπόψη τα συμφραζόμενα του διαλόγου καθιστώντας τα πιο πολύπλοκα. Ανεξαρτήτως πολυπλοκότητας, όμως, όλα τα chatbots μπορούν να αναλυθούν από τα παραγόμενά τους user-customer journeys. Αυτά τα journeys μπορούν να παραστούν ως διεργασίες, αποτελούμενα από ενέργειες μεταξύ χρήστη και bot και τις μεταβάσεις μεταξύ αυτών. Τα journeys αυξάνονται ανάλογα με τη πολυπλοκότητα του chatbot: όσο πιο πολύπλοκο είναι το chatbot, τόσες περισσότερες ενέργειες μεταξύ χρήστη και bot και μεταβάσεις υποστηρίζει, επιτρέποντας μεγαλύτερη ποικιλία από journeys. Χρησιμοποιούμε Εξαγωγή Διεργασιών προκειμένου να ανακαλύψουμε και να αναλύσουμε αυτά τα journeys. Η Εξαγωγή Διεργασιών περιλαμβάνει τη χρήση εργαλείων τα οποία πρώτα αναλύουν τα αρχεία καταγραφής των chatbots (και οποιασδήποτε άλλης διεργασίας), ύστερα απεικονίζουν το παραγόμενο μοντέλο σε εικόνα. Αυτό βοηθά στην κατανόηση των πιθανόν customer journeys που μπορούν να σχηματιστούν μεταξύ χρήστη και bot. Ωστόσο, ανάλογα με την πολυπλοκότητα του bot τα μοντέλα πιθανό να είναι αρκετά περίπλοκα για το μέσο χρήση, που σημαίνει ότι κάποια μορφή γενίκευσης κρίνεται απαραίτητη. Η διπλωματική εργασία αυτή επικεντρώνεται στη μοντελοποίηση των διεργασιών των chatbots, όπως και τη χρήση μεθόδων για τη γενίκευση των μοντέλων αυτών. Σε αυτήν την εργασία, εξηγούμε τι είναι τα chatbots, τι είναι η εξόρυξη διεργασιών, πώς εξάγουμε αποτελέσματα από αρχεία καταγραφης των chatbots, και θέτουμε τις βασικές ερωτήσεις που αποτελούν την κύρια ουσία της εργασίας. Για να απαντήσουμε στις ερωτήσεις αυτές και να επαληθεύσουμε τις υποθέσεις μας, πειραματιστήκαμε επάνω σε αρχεία καταγραφής από δύο διαφορετικά chatbots, το καθένα από τα οποία είχε διαφορετικό σκοπό. Παρουσιάζουμε ένα γενικευμένο αλγόριθμο ως μεθοδολογία για ανάλυση των journeys μεταξύ χρηστών και chatbots, ο οποίος συμπεριλαμβάνει βήματα προεπεξεργασίας των δεδομένων, ομαδοποίηση (clustering) των δεδομένων καταγραφής, βελτιστοποίηση της εξόδου βάσει μετρήσεων, και τέλος απεικόνιση των αποτελεσμάτων ως μοντέλων διεργασιών. Τα συμπεράσματά μας είναι ελπιδοφόρα: πειραματίζοντας με τις διαφορετικές υπερπαραμέτρους (hyperparameters) καταφέραμε να δημιουργήσουμε σταθερά μοντέλα από τις παραγόμενες ομάδες. Με αυτόν τον τρόπο, δυνόμεθα να παρουσιάσουμε ευνόητα, υψηλού επιπέδου customer journeys. Αυτό ετοιμάζει το έδαφος για περαιτέρω έρευνα όσον αφορά το ποιες υπερπαραμέτρους χρειάζονται ρύθμιση σε διαφορετικά δεδομένα.","abstract_html":"Η αύξηση της χρήσης της τεχνητής νοημοσύνης τα τελευταία έτη επέφερε ως αποτέλεσμα τη δημιουργία εύρους εργαλείων τεχνητής νοημοσύνης με σκοπό τη χρήση τους από το ευρύ κοινό. Εφαρμογές όπως το ChatGPT, το Dall-E, το Bard, και άλλα χρησιμοποιούνται από όλο και περισσότερα άτομα ημερησίως. Άλλες εφαρμογές τεχνητής νοημοσύνης κάνουν χρήση επεξεργασίας της φυσικής γλώσσας, επεξεργασίας εικόνων, ή κατάταξης περιεχομένου πολυμέσων για διαφημιστικούς σκοπούς. Αυτά είναι παραδείγματα εφαρμογών τεχνητής νοημοσύνης που επεξεργάζονται κείμενο φυσικής γλώσσας από τον χρήστη. Τα chatbot είναι μια ειδική κατηγορία εφαρμογών τεχνητής νοημοσύνης η οποία επεξεργάζεται φυσική γλώσσα. Ανάλογα με το σκοπό τους, τα chatbots μπορούν να συνομιλήσουν με χρήστες, και χρησιμοποιούνται σήμερα κυρίως σε υποστήριξη πελατών, για παράδειγμα αντί εκπροσώπων υποστήριξης για επίληση προβλημάτων ή για άλλες χρήσεις όπως την εύρεση εργασίας σε μια γεωγραφική περιοχή. Αυτά τα chatbot ποικίλουν ως προς την πολυπλοκότητά τους: κάποια από αυτά είναι απλά bots ερώτησης και απάντησης, άλλα bots λαμβάνουν υπόψη τα συμφραζόμενα του διαλόγου καθιστώντας τα πιο πολύπλοκα. Ανεξαρτήτως πολυπλοκότητας, όμως, όλα τα chatbots μπορούν να αναλυθούν από τα παραγόμενά τους user-customer journeys. Αυτά τα journeys μπορούν να παραστούν ως διεργασίες, αποτελούμενα από ενέργειες μεταξύ χρήστη και bot και τις μεταβάσεις μεταξύ αυτών. Τα journeys αυξάνονται ανάλογα με τη πολυπλοκότητα του chatbot: όσο πιο πολύπλοκο είναι το chatbot, τόσες περισσότερες ενέργειες μεταξύ χρήστη και bot και μεταβάσεις υποστηρίζει, επιτρέποντας μεγαλύτερη ποικιλία από journeys. Χρησιμοποιούμε Εξαγωγή Διεργασιών προκειμένου να ανακαλύψουμε και να αναλύσουμε αυτά τα journeys. Η Εξαγωγή Διεργασιών περιλαμβάνει τη χρήση εργαλείων τα οποία πρώτα αναλύουν τα αρχεία καταγραφής των chatbots (και οποιασδήποτε άλλης διεργασίας), ύστερα απεικονίζουν το παραγόμενο μοντέλο σε εικόνα. Αυτό βοηθά στην κατανόηση των πιθανόν customer journeys που μπορούν να σχηματιστούν μεταξύ χρήστη και bot. Ωστόσο, ανάλογα με την πολυπλοκότητα του bot τα μοντέλα πιθανό να είναι αρκετά περίπλοκα για το μέσο χρήση, που σημαίνει ότι κάποια μορφή γενίκευσης κρίνεται απαραίτητη. Η διπλωματική εργασία αυτή επικεντρώνεται στη μοντελοποίηση των διεργασιών των chatbots, όπως και τη χρήση μεθόδων για τη γενίκευση των μοντέλων αυτών. Σε αυτήν την εργασία, εξηγούμε τι είναι τα chatbots, τι είναι η εξόρυξη διεργασιών, πώς εξάγουμε αποτελέσματα από αρχεία καταγραφης των chatbots, και θέτουμε τις βασικές ερωτήσεις που αποτελούν την κύρια ουσία της εργασίας. Για να απαντήσουμε στις ερωτήσεις αυτές και να επαληθεύσουμε τις υποθέσεις μας, πειραματιστήκαμε επάνω σε αρχεία καταγραφής από δύο διαφορετικά chatbots, το καθένα από τα οποία είχε διαφορετικό σκοπό. Παρουσιάζουμε ένα γενικευμένο αλγόριθμο ως μεθοδολογία για ανάλυση των journeys μεταξύ χρηστών και chatbots, ο οποίος συμπεριλαμβάνει βήματα προεπεξεργασίας των δεδομένων, ομαδοποίηση (clustering) των δεδομένων καταγραφής, βελτιστοποίηση της εξόδου βάσει μετρήσεων, και τέλος απεικόνιση των αποτελεσμάτων ως μοντέλων διεργασιών. Τα συμπεράσματά μας είναι ελπιδοφόρα: πειραματίζοντας με τις διαφορετικές υπερπαραμέτρους (hyperparameters) καταφέραμε να δημιουργήσουμε σταθερά μοντέλα από τις παραγόμενες ομάδες. Με αυτόν τον τρόπο, δυνόμεθα να παρουσιάσουμε ευνόητα, υψηλού επιπέδου customer journeys. Αυτό ετοιμάζει το έδαφος για περαιτέρω έρευνα όσον αφορά το ποιες υπερπαραμέτρους χρειάζονται ρύθμιση σε διαφορετικά δεδομένα.","abstract_has_math":false,"creators":["Μουστάκας Λαέρτης","Moustakas Laertis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3337735"],"render_values":[{"text":"uoadl:3337735","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3337735","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3337735","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3337735","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μουστάκας Λαέρτης","Moustakas Laertis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3337735","https://pergamos.lib.uoa.gr/uoa/dl/object/3337735"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η αύξηση της χρήσης της τεχνητής νοημοσύνης τα τελευταία έτη επέφερε ως αποτέλεσμα τη δημιουργία εύρους εργαλείων τεχνητής νοημοσύνης με σκοπό τη χρήση τους από το ευρύ κοινό. Εφαρμογές όπως το ChatGPT, το Dall-E, το Bard, και άλλα χρησιμοποιούνται από όλο και περισσότερα άτομα ημερησίως. Άλλες εφαρμογές τεχνητής νοημοσύνης κάνουν χρήση επεξεργασίας της φυσικής γλώσσας, επεξεργασίας εικόνων, ή κατάταξης περιεχομένου πολυμέσων για διαφημιστικούς σκοπούς. Αυτά είναι παραδείγματα εφαρμογών τεχνητής νοημοσύνης που επεξεργάζονται κείμενο φυσικής γλώσσας από τον χρήστη. Τα chatbot είναι μια ειδική κατηγορία εφαρμογών τεχνητής νοημοσύνης η οποία επεξεργάζεται φυσική γλώσσα. Ανάλογα με το σκοπό τους, τα chatbots μπορούν να συνομιλήσουν με χρήστες, και χρησιμοποιούνται σήμερα κυρίως σε υποστήριξη πελατών, για παράδειγμα αντί εκπροσώπων υποστήριξης για επίληση προβλημάτων ή για άλλες χρήσεις όπως την εύρεση εργασίας σε μια γεωγραφική περιοχή. Αυτά τα chatbot ποικίλουν ως προς την πολυπλοκότητά τους: κάποια από αυτά είναι απλά bots ερώτησης και απάντησης, άλλα bots λαμβάνουν υπόψη τα συμφραζόμενα του διαλόγου καθιστώντας τα πιο πολύπλοκα. Ανεξαρτήτως πολυπλοκότητας, όμως, όλα τα chatbots μπορούν να αναλυθούν από τα παραγόμενά τους user-customer journeys. Αυτά τα journeys μπορούν να παραστούν ως διεργασίες, αποτελούμενα από ενέργειες μεταξύ χρήστη και bot και τις μεταβάσεις μεταξύ αυτών. Τα journeys αυξάνονται ανάλογα με τη πολυπλοκότητα του chatbot: όσο πιο πολύπλοκο είναι το chatbot, τόσες περισσότερες ενέργειες μεταξύ χρήστη και bot και μεταβάσεις υποστηρίζει, επιτρέποντας μεγαλύτερη ποικιλία από journeys. Χρησιμοποιούμε Εξαγωγή Διεργασιών προκειμένου να ανακαλύψουμε και να αναλύσουμε αυτά τα journeys. Η Εξαγωγή Διεργασιών περιλαμβάνει τη χρήση εργαλείων τα οποία πρώτα αναλύουν τα αρχεία καταγραφής των chatbots (και οποιασδήποτε άλλης διεργασίας), ύστερα απεικονίζουν το παραγόμενο μοντέλο σε εικόνα. Αυτό βοηθά στην κατανόηση των πιθανόν customer journeys που μπορούν να σχηματιστούν μεταξύ χρήστη και bot. Ωστόσο, ανάλογα με την πολυπλοκότητα του bot τα μοντέλα πιθανό να είναι αρκετά περίπλοκα για το μέσο χρήση, που σημαίνει ότι κάποια μορφή γενίκευσης κρίνεται απαραίτητη. Η διπλωματική εργασία αυτή επικεντρώνεται στη μοντελοποίηση των διεργασιών των chatbots, όπως και τη χρήση μεθόδων για τη γενίκευση των μοντέλων αυτών. Σε αυτήν την εργασία, εξηγούμε τι είναι τα chatbots, τι είναι η εξόρυξη διεργασιών, πώς εξάγουμε αποτελέσματα από αρχεία καταγραφης των chatbots, και θέτουμε τις βασικές ερωτήσεις που αποτελούν την κύρια ουσία της εργασίας. Για να απαντήσουμε στις ερωτήσεις αυτές και να επαληθεύσουμε τις υποθέσεις μας, πειραματιστήκαμε επάνω σε αρχεία καταγραφής από δύο διαφορετικά chatbots, το καθένα από τα οποία είχε διαφορετικό σκοπό. Παρουσιάζουμε ένα γενικευμένο αλγόριθμο ως μεθοδολογία για ανάλυση των journeys μεταξύ χρηστών και chatbots, ο οποίος συμπεριλαμβάνει βήματα προεπεξεργασίας των δεδομένων, ομαδοποίηση (clustering) των δεδομένων καταγραφής, βελτιστοποίηση της εξόδου βάσει μετρήσεων, και τέλος απεικόνιση των αποτελεσμάτων ως μοντέλων διεργασιών. Τα συμπεράσματά μας είναι ελπιδοφόρα: πειραματίζοντας με τις διαφορετικές υπερπαραμέτρους (hyperparameters) καταφέραμε να δημιουργήσουμε σταθερά μοντέλα από τις παραγόμενες ομάδες. Με αυτόν τον τρόπο, δυνόμεθα να παρουσιάσουμε ευνόητα, υψηλού επιπέδου customer journeys. Αυτό ετοιμάζει το έδαφος για περαιτέρω έρευνα όσον αφορά το ποιες υπερπαραμέτρους χρειάζονται ρύθμιση σε διαφορετικά δεδομένα.","The rise of Artificial Intelligence in recent years has given birth to a multitude of AI tools for general public use. Applications such as ChatGPT, Dall-E, Bard, and others are used by more and more people each passing day. Other uses of AI may involve language processing, image manipulation, or content ranking for marketing purposes. These are but a few examples of AI applications that can process user input in natural language. Chatbots are a special category of AI applications which often process natural language input. Depending on their purpose, these chatbots can carry a dialogue with users, and are primarily in use today in customer support scenarios, such as in lieu of a customer agent for troubleshooting, as a helpdesk, as well as in a variety of use cases, like to assist in finding jobs near an area. These chatbots vary by complexity; some are very simple question-and-answer bots, others also take dialogue context into account rendering their design more complex. But however complex they may be, from little to very complex, all chatbots can be analysed by means of their user-bot journeys they generate. These journeys can be represented as processes, composed of user-bot activities and the transitions that may exist between each of them. Journeys scale proportionally with chatbot complexity: the more complex a chatbot is, the more activities and transitions it supports, allowing for a multitude of possible journeys. In order to draw and analyse these journeys we use Process Mining. This involves using collection of tools which analyses the logs of chatbots (and any other process), then mapping the resulting process model to paper. This helps users understand the possible customer journeys any user may take using that bot. Depending on the bot complexity, however, the models may prove to be too hard to understand for the average user, meaning that some level of abstraction may have to apply. This thesis is concerned with modelling chatbot processes, as well as procuring methods to abstract these process models. Throughout this paper, we explain what chatbots are, what process mining is, how we extract results from chatbot logs, as well as asking the main questions that drive this subject of research. Specifically, whether we can abstract the resulting process models via grouping similar activities, or via clustering. To answer these questions and test our hypothesis, we experiment on two different chatbot logs; each chatbot serving a specific purpose. We introduce a generic pipeline that can be seen as a methodology for analysing chatbot-user journeys, which includes steps to pre-processes the dataset, to cluster the logs, to optimize the output based on metrics, and finally to depict the resulting process models. Our results are promising: by experimenting with the different hyperparameters we could generate stable models from the clusters. That way, we can depict high-level, easily understandable customer user journeys. This provides the groundwork for more research regarding the hyperparameters to tune when using different datasets."]},{"key":"dc:title","label":"Title","values":["Process Mining over Conversational Data"]}]}],"canonical_facts":{"dc:creator":["Μουστάκας Λαέρτης","Moustakas Laertis"],"dc:date":["2023"],"dc:description":["Η αύξηση της χρήσης της τεχνητής νοημοσύνης τα τελευταία έτη επέφερε ως αποτέλεσμα τη δημιουργία εύρους εργαλείων τεχνητής νοημοσύνης με σκοπό τη χρήση τους από το ευρύ κοινό. Εφαρμογές όπως το ChatGPT, το Dall-E, το Bard, και άλλα χρησιμοποιούνται από όλο και περισσότερα άτομα ημερησίως. Άλλες εφαρμογές τεχνητής νοημοσύνης κάνουν χρήση επεξεργασίας της φυσικής γλώσσας, επεξεργασίας εικόνων, ή κατάταξης περιεχομένου πολυμέσων για διαφημιστικούς σκοπούς. Αυτά είναι παραδείγματα εφαρμογών τεχνητής νοημοσύνης που επεξεργάζονται κείμενο φυσικής γλώσσας από τον χρήστη. Τα chatbot είναι μια ειδική κατηγορία εφαρμογών τεχνητής νοημοσύνης η οποία επεξεργάζεται φυσική γλώσσα. Ανάλογα με το σκοπό τους, τα chatbots μπορούν να συνομιλήσουν με χρήστες, και χρησιμοποιούνται σήμερα κυρίως σε υποστήριξη πελατών, για παράδειγμα αντί εκπροσώπων υποστήριξης για επίληση προβλημάτων ή για άλλες χρήσεις όπως την εύρεση εργασίας σε μια γεωγραφική περιοχή. Αυτά τα chatbot ποικίλουν ως προς την πολυπλοκότητά τους: κάποια από αυτά είναι απλά bots ερώτησης και απάντησης, άλλα bots λαμβάνουν υπόψη τα συμφραζόμενα του διαλόγου καθιστώντας τα πιο πολύπλοκα. Ανεξαρτήτως πολυπλοκότητας, όμως, όλα τα chatbots μπορούν να αναλυθούν από τα παραγόμενά τους user-customer journeys. Αυτά τα journeys μπορούν να παραστούν ως διεργασίες, αποτελούμενα από ενέργειες μεταξύ χρήστη και bot και τις μεταβάσεις μεταξύ αυτών. Τα journeys αυξάνονται ανάλογα με τη πολυπλοκότητα του chatbot: όσο πιο πολύπλοκο είναι το chatbot, τόσες περισσότερες ενέργειες μεταξύ χρήστη και bot και μεταβάσεις υποστηρίζει, επιτρέποντας μεγαλύτερη ποικιλία από journeys. Χρησιμοποιούμε Εξαγωγή Διεργασιών προκειμένου να ανακαλύψουμε και να αναλύσουμε αυτά τα journeys. Η Εξαγωγή Διεργασιών περιλαμβάνει τη χρήση εργαλείων τα οποία πρώτα αναλύουν τα αρχεία καταγραφής των chatbots (και οποιασδήποτε άλλης διεργασίας), ύστερα απεικονίζουν το παραγόμενο μοντέλο σε εικόνα. Αυτό βοηθά στην κατανόηση των πιθανόν customer journeys που μπορούν να σχηματιστούν μεταξύ χρήστη και bot. Ωστόσο, ανάλογα με την πολυπλοκότητα του bot τα μοντέλα πιθανό να είναι αρκετά περίπλοκα για το μέσο χρήση, που σημαίνει ότι κάποια μορφή γενίκευσης κρίνεται απαραίτητη. Η διπλωματική εργασία αυτή επικεντρώνεται στη μοντελοποίηση των διεργασιών των chatbots, όπως και τη χρήση μεθόδων για τη γενίκευση των μοντέλων αυτών. Σε αυτήν την εργασία, εξηγούμε τι είναι τα chatbots, τι είναι η εξόρυξη διεργασιών, πώς εξάγουμε αποτελέσματα από αρχεία καταγραφης των chatbots, και θέτουμε τις βασικές ερωτήσεις που αποτελούν την κύρια ουσία της εργασίας. Για να απαντήσουμε στις ερωτήσεις αυτές και να επαληθεύσουμε τις υποθέσεις μας, πειραματιστήκαμε επάνω σε αρχεία καταγραφής από δύο διαφορετικά chatbots, το καθένα από τα οποία είχε διαφορετικό σκοπό. Παρουσιάζουμε ένα γενικευμένο αλγόριθμο ως μεθοδολογία για ανάλυση των journeys μεταξύ χρηστών και chatbots, ο οποίος συμπεριλαμβάνει βήματα προεπεξεργασίας των δεδομένων, ομαδοποίηση (clustering) των δεδομένων καταγραφής, βελτιστοποίηση της εξόδου βάσει μετρήσεων, και τέλος απεικόνιση των αποτελεσμάτων ως μοντέλων διεργασιών. Τα συμπεράσματά μας είναι ελπιδοφόρα: πειραματίζοντας με τις διαφορετικές υπερπαραμέτρους (hyperparameters) καταφέραμε να δημιουργήσουμε σταθερά μοντέλα από τις παραγόμενες ομάδες. Με αυτόν τον τρόπο, δυνόμεθα να παρουσιάσουμε ευνόητα, υψηλού επιπέδου customer journeys. Αυτό ετοιμάζει το έδαφος για περαιτέρω έρευνα όσον αφορά το ποιες υπερπαραμέτρους χρειάζονται ρύθμιση σε διαφορετικά δεδομένα.","The rise of Artificial Intelligence in recent years has given birth to a multitude of AI tools for general public use. Applications such as ChatGPT, Dall-E, Bard, and others are used by more and more people each passing day. Other uses of AI may involve language processing, image manipulation, or content ranking for marketing purposes. These are but a few examples of AI applications that can process user input in natural language. Chatbots are a special category of AI applications which often process natural language input. Depending on their purpose, these chatbots can carry a dialogue with users, and are primarily in use today in customer support scenarios, such as in lieu of a customer agent for troubleshooting, as a helpdesk, as well as in a variety of use cases, like to assist in finding jobs near an area. These chatbots vary by complexity; some are very simple question-and-answer bots, others also take dialogue context into account rendering their design more complex. But however complex they may be, from little to very complex, all chatbots can be analysed by means of their user-bot journeys they generate. These journeys can be represented as processes, composed of user-bot activities and the transitions that may exist between each of them. Journeys scale proportionally with chatbot complexity: the more complex a chatbot is, the more activities and transitions it supports, allowing for a multitude of possible journeys. In order to draw and analyse these journeys we use Process Mining. This involves using collection of tools which analyses the logs of chatbots (and any other process), then mapping the resulting process model to paper. This helps users understand the possible customer journeys any user may take using that bot. Depending on the bot complexity, however, the models may prove to be too hard to understand for the average user, meaning that some level of abstraction may have to apply. This thesis is concerned with modelling chatbot processes, as well as procuring methods to abstract these process models. Throughout this paper, we explain what chatbots are, what process mining is, how we extract results from chatbot logs, as well as asking the main questions that drive this subject of research. Specifically, whether we can abstract the resulting process models via grouping similar activities, or via clustering. To answer these questions and test our hypothesis, we experiment on two different chatbot logs; each chatbot serving a specific purpose. We introduce a generic pipeline that can be seen as a methodology for analysing chatbot-user journeys, which includes steps to pre-processes the dataset, to cluster the logs, to optimize the output based on metrics, and finally to depict the resulting process models. Our results are promising: by experimenting with the different hyperparameters we could generate stable models from the clusters. That way, we can depict high-level, easily understandable customer user journeys. This provides the groundwork for more research regarding the hyperparameters to tune when using different datasets."],"dc:identifier":["uoadl:3337735","https://pergamos.lib.uoa.gr/uoa/dl/object/3337735"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Process Mining over Conversational Data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:56Z"}