Κλιμακώσιμη ταξινόμηση κοινοτήτων μέσων κοινωνικής δικτύωσης χρησιμοποιώντας graph neural networks
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτρης | |
| datacite.contributor.Supervisor | Σιούτας, Σπύρος | |
| dc.contributor.author | Καραβοκύρης, Μιχαήλ | |
| dc.contributor.other | Karavokyris, Michail | |
| dc.date.accessioned | 2024-02-21T11:27:01Z | |
| dc.date.available | 2024-02-21T11:27:01Z | |
| dc.date.issued | 2024-02-09 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η διπλωματική εργασία επικεντρώνεται στην ανάλυση κοινωνικών δικτύων, εστιάζοντας στο ρόλο και τη σημασία τους τόσο στην καθημερινή ζωή, όσο και στον τρόπο που επηρεάζουν την κοινωνία. Παράλληλα εξετάζεται η ευρεία χρήση δεδομένων υπό την μορφή γράφων, αποκαλύπτοντας πόσα άλλα πραγματικά δεδομένα λαμβάνουν αντίστοιχη μορφή. Στο πλαίσιο αυτό, αναλύονται οι διαφορετικές πτυχές της παρουσίας των δικτύων στην κοινωνία μας. Στη συνέχεια, εξετάζονται εκτενώς τα Graph Neural Networks (GNNs), όπου τονίζονται οι δυνατότητές τους και οι εφαρμογές τους στην ανάλυση δικτύων. Γίνεται σύγκριση με παλαιότερες τεχνικές ανάλυσης γράφων, και αναλύεται η λειτουργία τους. Επίσης επισημαίνονται κάποιες από τις πιο βασικές αρχιτεκτονικές τους αναδεικνύοντας τον τρόπο με τον οποίο αυτά τα μοντέλα εκμεταλλεύονται τη δομή των γράφων για υψηλότερη απόδοση. Γενικά, περιγράφεται πώς αυτά τα μοντέλα μπορούν να εκτελούν εργασίες βαθιάς μάθησης για την ανάλυση κοινωνικών δεδομένων, ενισχύοντας την κατανόηση των δομικών χαρακτηριστικών και των σχέσεων στα κοινωνικά δίκτυα. Τέλος, στο πλαίσιο της έρευνας, χρησιμοποιούνται τα Graph Convolutional Networks (GCN) και τα Graph Attention Networks (GAT) για την ταξινόμηση κοινοτήτων της πλατφόρμας κοινωνικής δικτύωσης Reddit, λαμβάνοντας υπόψη λειτουργικά και ψυχολογικά χαρακτηριστικά. Επιπλέον πραγματοποιείται εκτενής δοκιμή αυτών των μοντέλων σε επιπλέον δύο δίκτυα διαφορετικών χαρακτηριστικών, προσδιορίζοντας την απόδοσή τους και καταγράφοντας τα σημαντικά αποτελέσματα που προκύπτουν από την πρακτική εφαρμογή τους. | |
| dc.description.translatedabstract | The thesis focuses on the analysis of social networks, emphasizing their role and importance both in everyday life and in the way they affect society. At the same time, it examines the widespread use of graph structured data, revealing how much other real-world data takes a similar form. In this context, the different aspects of the presence of networks in our society are analyzed. Graph Neural Networks (GNNs) are then extensively discussed, highlighting their potential and their applications in network analysis. A comparison is made with other graph analysis techniques, and their operation is discussed. Some of their most basic architectures are also highlighted, showing how these models exploit the structure of graphs for higher performance. In general, it is described how these models can perform deep learning tasks for social data analysis, enhancing the understanding of structural features and relationships in social networks. Finally, in the context of the research, Graph Convolutional Networks (GCNs) and Graph Attention Networks (GATs) are used to classify communities on the social networking platform ’Reddit’, taking into account functional and psychological characteristics. Furthermore, an extensive testing of these models on additional two networks of different characteristics is performed, determining their performance and recording the significant results obtained from their practical application. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26589 | |
| dc.language.iso | el | |
| dc.subject | Ανάλυση κοινωνικών δικτύων | |
| dc.subject | Νευρωνικά δίκτυα γράφων | |
| dc.subject | Ταξινόμηση κόμβων | |
| dc.subject.alternative | Social media analysis | |
| dc.subject.alternative | Graph neural networks | |
| dc.subject.alternative | Node classification | |
| dc.title | Κλιμακώσιμη ταξινόμηση κοινοτήτων μέσων κοινωνικής δικτύωσης χρησιμοποιώντας graph neural networks | |
| dc.title.alternative | Scalable classification of social media communities using graph neural networks |