Ανάπτυξη συστήματος συστάσεων ειδησεογραφικού περιεχομένου με χρήση μηχανικής μάθησης και explainable AI για την αντιμετώπιση φαινομένων “echo chamber”
| datacite.contributor.RelatedPerson | Χρήστος Μακρής | |
| datacite.contributor.RelatedPerson | Δημήτριος Τσώλης | |
| datacite.contributor.Supervisor | Σπυρίδων Σιούτας | |
| dc.contributor.author | Καραμάνος, Χρήστος | |
| dc.contributor.other | Karamanos, Christos | |
| dc.date.accessioned | 2026-02-24T07:17:44Z | |
| dc.date.available | 2026-02-24T07:17:44Z | |
| dc.date.issued | 2026-02-19 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία έχει ως σκοπό το σχεδιασμό και την υλοποίηση ενός προσωποποιημένου συστήματος συσσωρευτή ειδήσεων (news aggregator), που με τη χρήση μηχανικής μάθησης και Explainable AI έχει ως σκοπό να αντιμετωπίσει το φαινόμενο του echo chamber. Αρχικά, εξετάζονται ολιστικά τα συστήματα συσσώρευσης και αναλύονται θεωρητικά οι έννοιες της μηχανικής μάθησης, οι κατηγορίες της, οι πιο γνωστοί αλγόριθμοι αλλά και τα πεδία εφαρμογής της. Στο πρακτικό μέρος της περιγράφεται η υλοποίηση του συστήματος που ξεκινά με την άντληση άρθρων από ιστοσελίδες ειδήσεων μέσω web scraper. Τα άρθρα έπειτα, αποθηκεύονται σε μία SQL βάση δεδομένων που περιλαμβάνει ακόμη στοιχεία για το χρήστη. Εκεί, μέσω ομοιότητας συνημιτόνου (cosine similarity) παράγεται μία πρώτη λίστα υποψήφιων άρθρων για τη ροή ειδήσεων του χρήστη, η οποία διοχετεύεται σε ένα εκπαιδευμένο με Logistic Regression μοντέλο. Αυτό παράγει μία βαθμολογία για το κάθε άρθρο που εκφράζει την πιθανότητα να το προτιμήσει ο χρήστης. Τέλος, τα άρθρα περνούν από μια ανακατάταξη μέσω του MMR αλγορίθμου, για να εξασφαλιστεί ποικιλομορφία στα αποτελέσματα και να αποφευχθεί το φαινόμενο του echo chamber καταλήγοντας στην τελική λίστα άρθρων που εμφανίζεται ως feed στο χρήστη. Για την παροχή διαφάνειας στο χρήστη ως προς τη διαμόρφωση του feed, χρησιμοποιείται Explainable Artificial Intelligence (XAI) και, συγκεκριμένα, εγγενή επεξηγησιμότητα σχετικά με τους παράγοντες που οδήγησαν στη βαθμολόγηση του μοντέλου, αλλά και της μετέπειτα ανακατάταξης. Ο χρήστης κατά την πλοήγηση του στην πλατφόρμα ενθαρρύνεται να αλληλεπιδρά με το σύστημα για καλύτερες εξατομικευμένες προτάσεις. | |
| dc.description.translatedabstract | The purpose of this thesis is to design and implement a personalized news aggregator system that uses machine learning and Explainable AI to address the echo chamber phenomenon. First, it takes a holistic look at aggregation systems and breaks down the concept of machine learning, its categories, the most popular algorithms, and its areas of application. In the practical part, it describes the implementation of the system, which begins with extracting articles from news websites using a web scraper. The articles are then stored in an SQL database that also includes user data. There, through cosine similarity, an initial list of candidate articles for the user's news feed is generated, which is fed into a model trained with Logistic Regression. This produces a score for each article that expresses the likelihood that the user will "like" it. Finally, the articles are reordered using the MMR algorithm to ensure diversity in the results and avoid the echo chamber effect, resulting in the final list of articles that appears as a feed to the user. To provide transparency to the user regarding the configuration of the feed, XAI was used, specifically, intrinsic explainability regarding the factors that led to the model's scoring and subsequent re-ranking. When navigating the platform, the user is encouraged to interact with the system for better personalized recommendations. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31333 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/4.0/ | |
| dc.subject | Συστήματα συστάσεων | |
| dc.subject | Συστήματα συστάσεων ειδήσεων | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject.alternative | Recommendation systems | |
| dc.subject.alternative | News recommendation systems | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Explainable AI | |
| dc.subject.alternative | Echo chambers | |
| dc.subject.alternative | Maximal marginal relevance | |
| dc.title | Ανάπτυξη συστήματος συστάσεων ειδησεογραφικού περιεχομένου με χρήση μηχανικής μάθησης και explainable AI για την αντιμετώπιση φαινομένων “echo chamber” | |
| dc.title.alternative | Development of a news recommendation system using machine learning and explainable AI to address the echo chamber phenomenon |