Σύγκριση μεθόδων ανίχνευσης Bots στο Twitter µε χρήση θεωρίας δικτύων και μεγάλων γλωσσικών μοντέλων

Μασαλή, Αθηνά; Masali, Athina

dc.contributor.author	Μασαλή, Αθηνά	el
dc.contributor.author	Masali, Athina	en
dc.date.accessioned	2025-05-30T10:19:49Z
dc.date.available	2025-05-30T10:19:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61977
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29673
dc.rights	Default License
dc.subject	Ανίχνευση Bots	el
dc.subject	Μεγάλα Γλωσσικά Μοντέλα	el
dc.subject	Γραφικά Συνελικτικά Δίκτυα	el
dc.subject	Αυτοματοποιημένοι Λογαριασμοί	el
dc.subject	Μέσα Κοινωνικής Δικτύωσης	el
dc.subject	Twitter	en
dc.subject	Bots	en
dc.subject	Graph Neural Networks	en
dc.title	Σύγκριση μεθόδων ανίχνευσης Bots στο Twitter µε χρήση θεωρίας δικτύων και μεγάλων γλωσσικών μοντέλων	el
dc.title	Comparison of Bot detection methods in Twitter using graph theory and large language models	en
heal.type	bachelorThesis
heal.generalDescription	Ανίχνευση Αυτοματοποιημένων Λογαριασμών Bot στο Twitter	el
heal.classification	Ανάλυση Κοινωνικών Δικτύων	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-17
heal.abstract	Η ανίχνευση αυτοματοποιημένων λογαριασμών (bots) στο κοινωνικό δίκτυο του Twitter αποτελεί ένα κρίσιμο πρόβλημα, καθώς τα bots χρησιμοποιούνται συχνά για παραπληροφόρηση, προπαγάνδα και κακόβουλες δραστηριότητες. Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της ανίχνευσής τους μέσω διαφόρων τεχνικών και μεθόδων Μηχανικής Μάθησης. Συγκεκριμένα, για τον σκοπό αυτό επιστρατεύονται κλασικά μοντέλα μηχανικής μάθησης όπως το Logistic Regression (Λογιστική Παλινδρόμηση) και το Random Forest (Τυχαίο Δάσος), πιο σύγχρονα νευρωνικά δίκτυα όπως τα Graph Convolutional Networks (Συνελικτικό Δίκτυο Γράφων) και τα Graph Attention Networks (Δίκτυο Γράφων Προσοχής), και τα, επίκαιρα, Μεγάλα Γλωσσικά Μοντέλα. Γίνεται ανάπτυξη των παραπάνω μοντέλων ώστε να εφαρμοστούν στο πρόβλημα της αναγνώρισης των κακόβουλων χρηστών, και ακολούθως, γίνεται η σύγκρισή τους με βάση την απόδοσή τους στο υπό εξέταση πρόβλημα. Αρχικά δίνεται το θεωρητικό υπόβαθρο που θεωρείται απαραίτητο για την κατανόηση των εννοιών και μεθόδων που θα παρουσιαστούν παρακάτω. Έπειτα, γίνεται μια αναλυτική επισκόπηση της σχετικής με το θέμα ερευνητικής βιβλιογραφίας, και παρουσιάζεται ενδελεχώς το σύνολο δεδομένων που αξιοποιήθηκε, καθώς και η προεπεξεργασία που υπέστη πριν χρησιμοποιηθεί για την εκπαίδευση και αξιολόγηση των μοντέλων. Στη συνέχεια, περιγράφεται η μεθοδολογία που ακολουθήθηκε, και ακολούθως αναλύεται διεξοδικά η υλοποίηση των μοντέλων και το πειραματικό σκέλος, όπου γίνεται παρουσίαση και ερμηνεία των αποτελεσμάτων της απόδοσης κάθε μοντέλου, και σύγκριση μεταξύ τους. Τέλος, διατυπώνονται τα συνολικά συμπεράσματα και προτείνονται πιθανές μελλοντικές επεκτάσεις της έρευνας. Η αξιολόγηση έγινε με τις μετρικές accuracy, precision, recall, f1 score και καλύτερη απόδοση στην ανίχνευση bots σημείωσε το μοντέλο Graph Convolutional Network, ενώ την, απροσδόκητα, χαμηλότερη σημείωσαν τα Μεγάλα Γλωσσικά Μοντέλα. (el)	el
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Στάη, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	124 σ.	el
heal.fullTextAvailability	false