Μηχανική μάθηση για την ανάλυση κοινωνικών δικτύων –μοντέλα για την ανίχνευση ψευδών ειδήσεων με συνελικτικά νευρωνικά δίκτυα γράφων

Τσακανίκα, Χριστίνα; Tsakanika, Christina

dc.contributor.author	Τσακανίκα, Χριστίνα	el
dc.contributor.author	Tsakanika, Christina	en
dc.date.accessioned	2022-12-16T12:00:00Z
dc.date.available	2022-12-16T12:00:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56493
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24191
dc.rights	Default License
dc.subject	Convolutional Neural Networks	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Machine Learning	en
dc.subject	Artificial Intelligence	en
dc.subject	Fake News Detection	en
dc.subject	Model Training	en
dc.subject	Εκπαίδευση Μοντέλου	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Ανίχνευση Ψευδών Ειδήσεων	el
dc.title	Μηχανική μάθηση για την ανάλυση κοινωνικών δικτύων –μοντέλα για την ανίχνευση ψευδών ειδήσεων με συνελικτικά νευρωνικά δίκτυα γράφων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-30
heal.abstract	Στην εν λόγω διπλωματική εργασία αναλύεται η ανίχνευση ψευδών ειδήσεων με τη χρήση συνελικτικων νευρωνικων δικτύων σε μορφή γραφών, στο κοινωνικό δίκτυο του Twitter. Η συγκεκριμένη διαδικτυακή πλατφόρμα, επιλεγεται από πληθωρα χρηστών για την ενημέρωση και την έκφραση των ιδεών τους. Αρχικά, αποδίδεται το θεωρητικό υπόβαθρο και αναλύονται οι έννοιες “Τεχνητή Νοημοσύνη” και “Μηχανική Μάθηση”, που καθιστούν την εργασία περισσότερο εύληπτη, και ύστερα παρουσιάζεται η δομή και το περιεχόμενο του επιλεγμένου συνόλου δεδομένων FakeNewsNet. Εν συνεχεία, αναλύονται τοσο η αρχιτεκτονική όσο και το μαθηματικό μέρος των νευρωνικών δικτυων καθώς και τα συνελικτικα νευρωνικά δίκτυα σε γράφους (GCNs). Η ανίχνευση ψευδών ειδήσεων βασίζεται σε τρεις μεθόδους. Επιλεγοντας ως μοντέλο το GCN πρώτα χρησιμοποιούνται ως είσοδος, για την εκπαίδευση και μετά για την αξιολόγηση, user related χαρακτηριστικά, έπειτα topic related και τέλος ένας συνδυασμός ενδογενους πληροφορίας, που αφορά την εξαγωγή διανυσμάτων χαρακτηριστικών από παλιές δημοσιεύσεις του χρήστη στο κοινωνικό δίκτυο του Twitter, και εξωγενούς πληροφορίας που προκύπτει από την εξαγωγή διανυσμάτων χαρακτηριστικών από την προς ανάλυση είδηση. Τέλος, προστίθενται στο αρχικό Νευρωνικό Δίκτυο μηχανισμός attention (Graph Attention Network, GAT) και δοκιμάζεται επίσης το συνελικτικό GraphSAGE μοντέλο, προς ενίσχυση των προηγούμενων επιδόσεων. Υστερα, παρατίθενται οι νέες επιδόσεις του μοντέλου, σε σύγκριση με τις προηγούμενης καθώς και με τις baseline μεθόδους των απλών νευρωνικων δικτύων. Το μοντέλο που υπερτερεί σε ακρίβεια και προτείνεται εν τέλει για την ανίχνευση ψευδών ειδήσεων είναι το Graph Attention Network με ακρίβεια (accuracy) που αγγίζει το 93%.	el
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.advisorName	Κοιλανιώτη, Ειρήνη	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false