Εντοπισμός κόμβων μεγάλης επιρροής σε κοινωνικά δίκτυα συνδυάζοντας τα τοπολογικά χαρακτηριστικά και την ενσωμάτωση των δικτύων με τη μηχανική μάθηση
Loading...
Date
Authors
Τσαρδίκου, Μαρία-Ραφαέλλα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Ανάμεσα σε εκατομμύρια χρήστες, οι οποίοι ανήκουν σε κοινωνικά δίκτυα, είναι εύκολα αναγνωρίσιμο, ότι οι δραστηριότητες ορισμένων, γίνονται πιο γρήγορα αντιληπτές και εξαπλώνονται μέσω του δικτύου, συγκριτικά με άλλους χρήστες. Αυτοί οι χρήστες ασκούν στο δίκτυο μεγάλη επιρροή. Ο εντοπισμός των κόμβων με μεγάλη επιρροή σε κοινωνικά δίκτυα, έχει χρησιμοποιηθεί ευρέως για την κατανόηση της διάδοσης φημών, πληροφοριών και τον έλεγχο της εξάπλωσης επιδημιών και ασθενειών. Η αναγνώριση των κόμβων αυτών στα σύνθετα δίκτυα είναι σημαντική για το σχεδιασμό στρατηγικών και για την επιτάχυνση της διάδοσης πληροφοριών που είναι χρήσιμες για διάφορες εφαρμογές, όπως το μάρκετινγκ ή η παρεμπόδιση της διάδοσης ενοχλητικών πληροφοριών, όπως η εξάπλωση ιών, αρνητικών συμπεριφορών στο διαδίκτυο και ο εκφοβισμός στον κυβερνοχώρο. Ωστόσο, η επίτευξη υψηλής ακρίβειας και πληρότητας στην κατάταξη επιρροής των κόμβων είναι μια διαδικασία χρονοβόρα και πολύπλοκη. Στην παρούσα διπλωματική εργασία, το πρόβλημα αναγνώρισης των ισχυρών κόμβων στα κοινωνικά δίκτυα έχει μετατραπεί σε πρόβλημα ταξινόμησης και ο εντοπισμός των κόμβων αυτών, πραγματοποιείται συνδυάζοντας τις μεθόδους μηχανικής μάθησης με τις μετρικές κεντρικότητας του δικτύου (Degree centrality, Closeness centrality, Betweenness centrality, Eigenvector centrality, Page Rank και KTruss) και με την απεικόνιση των κόμβων σε χώρο με λιγότερες διαστάσεις (node2vec). Επίσης, χρησιμοποιήθηκε το μοντέλο επιδημίας SIR για την προσομοίωση διαδικασιών διάδοσης σε δίκτυα και για την αξιολόγηση της απόδοσης των προτεινόμενων μεθόδων. Εφαρμόστηκαν έξι αλγόριθμοι μηχανικής μάθησης για την εκκένωση των κανόνων ταξινόμησης, βάσει των χαρακτηριστικών των κόμβων. Τα πειραματικά αποτελέσματα, τα οποία προέκυψαν από τρία δίκτυα πραγματικού κόσμου, έδειξαν ότι οι προτεινόμενες μέθοδοι, σχετικά με την ορθότητα και την αποτελεσματικότητά τους, παρουσιάζουν εξαιρετική απόδοση, καθώς η διερεύνηση και η αναγνώριση σημαντικών κόμβων μέσω του συνδυασμού των τοπολογικών χαρακτηριστικών τους και της απεικόνισης των δικτύων με τη μηχανική μάθηση, επιτυγχάνεται με ικανοποιητική ακρίβεια.
Description
Keywords
Κόμβοι με μεγάλη επιρροή, Ταξινόμηση κόμβων, Μετρικές κεντρικότητας, Μοντέλο επιδημίας SIR, Απεικόνιση κόμβων, Μηχανική μάθηση