Ανίχνευση fake news στα social media µε χρήση συνελικτικών δικτύων γράφων

Τζουμανέκας, Γεώργιος; Chatzopoulos, Petros

dc.contributor.author	Τζουμανέκας, Γεώργιος	el
dc.contributor.author	Chatzopoulos, Petros	en
dc.date.accessioned	2024-05-31T08:24:05Z
dc.date.available	2024-05-31T08:24:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59583
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27279
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μέσα Κοινωνικής Δικτύωσης	el
dc.subject	Νευρωνικά Δίκτυα Γράφων	el
dc.subject	Πρωτόκολλο Μετάδοσης Μηνυμάτων	el
dc.subject	Αναζήτηση Αρχιτεκτονικής	el
dc.subject	Bots	en
dc.subject	Ψευδείς Ειδήσεις	el
dc.subject	Graph Neural Networks	en
dc.subject	Message Passing Protocol	en
dc.subject	Social Media	en
dc.subject	Neural Architecture Search	en
dc.title	Ανίχνευση fake news στα social media µε χρήση συνελικτικών δικτύων γράφων	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-29
heal.abstract	Η χρήση των μέσων κοινωνικής δικτύωσης είναι ένα αναπόσπαστο κομμάτι της καθημερινότητας στο σύγχρονο κόσμο. Πλατφόρμες όπως το Twitter, το Facebook και το Instagram συγκεντρώνουν καθημερινά εκατομμύρια χρήστες. Το Twitter, ειδικότερα, έχει αναδειχθεί ως μια ισχυρή πλατφόρμα για συνομιλίες σε πραγματικό χρόνο και διάδοση ειδήσεων. Με το όριο 280 χαρακτήρων, το Twitter ενθαρρύνει την κοινή χρήση γρήγορων ενημερώσεων και απόψεων σε μοντέρνα θέματα. Έχει διαδραματίσει σημαντικό ρόλο στη διαμόρφωση του δημόσιου λόγου, στην δημιουργία κοινωνικών κινημάτων και στη σύνδεση ανθρώπων από όλον τον κόσμο. Αυτή η ταχεία ανάπτυξη έχει ενθαρρύνει την εμφάνιση των bots, που είναι αυτοματοποιημένοι λογαριασμοί σχεδιασμένοι να μιμούνται την ανθρώπινη συμπεριφορά. Μπορούν να παραπληροφορήσουν, να προωθήσουν ιδεολογίες και να ενισχύσουν τις ψευδείς ειδήσεις με ανησυχητικό ρυθμό. Όχι μόνο υπονομεύουν την εμπιστοσύνη του κοινού στα μέσα ενημέρωσης και τους θεσμούς, αλλά μπορούν επίσης να έχουν συνέπειες στον πραγματικό κόσμο, από τον επηρεασμό εκλογών έως την πρόκληση κοινωνικής αναστάτωσης. Ο αποτελεσματικός εντοπισμός αυτών των λογαριασμών είναι μια μεγάλη πρόκληση στον σύγχρονο κόσμο και έχει αποτελέσει θέμα πολυάριθμων μελετών. Σε αυτή τη διπλωματική, παρουσιάζουμε την εργασία μας για ένα αποτελεσματικό μοντέλο ανίχνευσης bot. Χρησιμοποιούμε σχεσιακά συνελικτικά νευρωνικά δίκτυα γράφων που εκμεταλλεύονται τα δεδομένα χρήστη και τεχνικές μετάδοσης μηνυμάτων για να προσδώσουν ετικέτες σε κάθε κόμβο. Χρησιμοποιήσαμε επίσης την τεχνική της Αναζήτησης Αρχιτεκτονικής Νευρωνικών Δικτύων που αναζητά την αρχιτεκτονική με την υψηλότερη ακρίβεια, χρησιμοποιώντας έναν εξελικτικό αλγόριθμο. Στο τέλος, παρουσιάζουμε τα αποτελέσματα και καταλήγουμε στο συμπέρασμα ότι η μέθοδός μας μπορεί να ανταγωνιστεί προηγούμενα μοντέλα στην ανίχνευση bot, υπογραμμίζοντας τα πλεονεκτήματα της χρήσης και των δύο τεχνικών.	el
heal.abstract	Social media usage is at an all-time high in the modern world. Platforms like Twitter, Facebook, and Instagram congregate daily millions of users. Twitter, in particular, has emerged as a powerful platform for real-time conversation and news dissemination. With a concise character limit, Twitter encourages sharing quick updates and opinions on trending topics. It has played an important role in shaping public discourse, mobilizing social movements, and connecting people across the globe. This rapid growth has encouraged the emergence of bots, which are automated programs designed to mimic human behavior. They can spread misinformation, promote ideologies, and amplify fake news stories at an alarming rate. Not only do they undermine public trust in media and institutions, but they can also have real-world consequences, from influencing elections to provoking social disruption. The effective detection of these accounts is a big challenge in the modern world and has attracted numerous studies. In this thesis, we present our work on an efficient bot detection model. We use relational graph convolutional neural networks that exploit user data and message-passing techniques to assign labels to each node. We also used a technique called Neural Architecture Search that searches for the architecture with the highest accuracy, using an evolutionary algorithm. In the end, we present the results and conclude that our method can compete with other state-of-the-art models in bot detection, underlining the advantages of using both techniques in this task.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false