Περιορισμός της παραπληροφόρησης στις πλατφόρμες κοινωνικής δικτύωσης

Ξύγκου, Ηλιάνα Μαρία; Xygkou, Iliana Maria

dc.contributor.author	Ξύγκου, Ηλιάνα Μαρία	el
dc.contributor.author	Xygkou, Iliana Maria	en
dc.date.accessioned	2022-10-07T10:19:26Z
dc.date.available	2022-10-07T10:19:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55868
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23566
dc.rights	Default License
dc.subject	Ανάλυση Σύνθετων/Κοινωνικών Δικτύων	el
dc.subject	Κοινωνικά Δίκτυα	el
dc.subject	Άπληστοι Αλγόριθμοι	el
dc.subject	Complex/Social Network Analysis	en
dc.subject	Social Networks	en
dc.subject	Information Diffusion	en
dc.subject	Greedy Algorithms	en
dc.subject	Περιορισμός Παραπληροφόρησης	el
dc.subject	Διάχυση Πληροφορίας	el
dc.subject	Misinformation Containment	en
dc.title	Περιορισμός της παραπληροφόρησης στις πλατφόρμες κοινωνικής δικτύωσης	el
dc.title	Misinformation containment in social network platforms	en
heal.type	bachelorThesis
heal.classification	Δίκτυα Υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-17
heal.abstract	Σκοπός της παρούσας Διπλωματικής Εργασίας είναι η μελέτη ενός νέου προβλήματος σχετικά με τον περιορισμό της παραπληροφόρησης σε μια πλατφόρμα κοινωνικής δικτύωσης σε συνδυασμό με την ταυτόχρονη αποφυγή της διαταραχής της διάδοσης της αληθούς πληροφορίας, και η ανάπτυξη ενός αποδοτικού αλγορίθμου επίλυσής του. Το πρόβλημα που μελετάται στην παρούσα Εργασία και αναφέρεται ως Cautious Misinformation Minimization (CMM) ορίζεται ως η ελαχιστοποίηση της διάδοσης της ψευδούς πληροφορίας με την ταυτόχρονη ελάχιστη μείωση της διάδοσης της αληθούς περιορίζοντας τις αλληλεπιδράσεις μεταξύ των χρηστών, δηλαδή αφαιρώντας ακμές περιορισμένου πλήθους στο γράφο που αναπαριστά το υπό μελέτη δίκτυο. Επιθυμώντας την ενσωμάτωση γνωρισμάτων του χρήστη στην εξέλιξη της διάχυσης της πληροφορίας στην παρούσα Εργασία τροποποιούνται τα γνωστά μοντέλα διάδοσης Independent Cascade (IC) και Deterministic Linear Threshold (DLT), ώστε να λαμβάνεται υπόψη η εξειδίκευση του χρήστη στη θεματική κατηγορία στην οποία ανήκει η διαδιδόμενη πληροφορία. Υπό τα εν λόγω μοντέλα αλλά και το πιθανοτικό μοντέλο Linear Threshold (LT), το πρόβλημα CMM αποδεικνύεται NP-Hard. Έτσι, για την επίλυσή του υπό τα μοντέλα LT και DLT επιστρατεύονται άπληστοι επαναληπτικοί αλγόριθμοι των οποίων κριτήριο για την επιλογή της προς αφαίρεση ακμής σε κάθε επανάληψη, είναι η μέγιστη μείωση του αθροίσματος της διαφοράς της τρέχουσας διάδοσης της αληθούς πληροφορίας από την αντίστοιχη αρχική διάδοση, και της τρέχουσας διάδοσης της ψευδούς πληροφορίας. Η πειραματική αξιολόγηση των προτεινόμενων αλγορίθμων διεξάγεται σε πραγματικά κοινωνικά δίκτυα. Τα αποτελέσματα αυτών συγκρίνονται με τα αντίστοιχα μεθόδων που αξιοποιούν κατά κύριο λόγο τοπολογικά χαρακτηριστικά και εν μέρει τη δυναμική εξέλιξη της διάδοσης της πληροφορίας. Με βάση αυτά, αναδεικνύεται η υπεροχή των προτεινόμενων μεθόδων που επιτυγχάνουν με την αφαίρεση μικρού πλήθους ακμών να μειώσουν σημαντικά την εξάπλωση της παραπληροφόρησης χωρίς να επηρεάσουν σε μεγάλο βαθμό τη διάδοση της αληθούς πληροφορίας.	el
heal.abstract	The purpose of this Diploma Thesis is to study a new problem related to the limitation of misinformation spreading in a social network platform in combination with the simultaneous avoidance of the disturbance of the dissemination of true information, and the development of an efficient algorithm for its solution. The problem under consideration in this Thesis is the one of Cautious Misinformation Minimization (CMM) which is defined as minimizing the spread of false information while minimizing the decrement of the spread of true information by limiting the interactions between the users, i.e., by removing a limited number of edges in the graph representing the network. Desiring the integration of user features in the evolution of information diffusion, the known Independent Cascade (IC) and Deterministic Linear Threshold (DLT) models are modified in this Thesis, in order to take into account the user's specialization in the thematic category to which the disseminated information belongs. Under these models as well as the probabilistic Linear Threshold model (LT), the CMM problem is proved to be NP-Hard. Thus, to solve it under the LT and DLT models, greedy iterative algorithms are employed whose criterion for selecting the edge to be removed in each iteration is the maximum reduction of the sum of the difference between true information's current spread and its initial one, and false information's current spread. The experimental evaluation of the proposed algorithms is carried out using real social networks. Their results are compared with the ones of the methods that utilize mainly topological features and partly the dynamic evolution of information dissemination. Based on these, the superiority of the proposed methods is highlighted since they achieve through the removal of a small number of edges the significant reduction of the spread of misinformation without greatly affecting the dissemination of true information.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false