Εμφάνιση απλής εγγραφής

Applying graph neural networks for stance detection over online social networks

dc.contributor.advisorKasnesis, Panagiotis
dc.contributor.authorΜοναχέλης, Παναγιώτης
dc.date.accessioned2024-04-08T11:30:27Z
dc.date.available2024-04-08T11:30:27Z
dc.date.issued2024-03
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/6424
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-6260
dc.description.abstractFake news has flooded social networks and has been studied from different perspectives. Different methodologies have been proposed to approach this issue. In recent years, researchers have been conducting analyses based on machine learning and neural network models. The results of a model depend not only on the structure of the model by itself, but also on the right pre-processing of the data. For this reason, various techniques have been developed. The concern of researchers is to achieve the best results through the combination of the appropriate processing of the data with the appropriate model. The current MSc thesis examines the techniques developed in the field of assessing news based on rumors in social networks; to this end, the thesis implements an approach based on the Graph Neural Network algorithm (GNN). In the introductory part of the thesis, the techniques that have already been proposed by researchers are examined. In the next section, natural language processing operations are described with reference to embeddings that play a decisive role in transforming data into a format suitable for input into processing models. In particular, the thesis is based on data set analysis through Graph Convolutional Networks (GCN). For this reason, a detailed description of this model is provided; algorithms of the same category as GNNs are also presented. The data set used for analysis is described; this is a data set built specifically for research on the issue of rumor evaluation. The methodology adopted and employed is subsequently described. In particular, the open access data set that has been mined from the social network Twitter, contains rumors that have concerned the public and labels regarding the stance of users towards these rumors. The data set has already been analyzed through various methodologies, yet, not from the perspective of GNNs. The present thesis aims to analyze the same data set using the GNN architecture and comparatively evaluate results with existing, published results, in order to draw conclusions as well as identify limitations and provide feedback for further analysis.el
dc.format.extent51el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectSocial networksel
dc.subjectGraph neural networkel
dc.subjectLSTMel
dc.subjectFake newsel
dc.subjectStance detectionel
dc.subjectData veracityel
dc.subjectΚοινωνικά δίκτυαel
dc.subjectΝευρωνικά δίκτυα γράφωνel
dc.subjectΨευδείς ειδήσειςel
dc.titleApplying graph neural networks for stance detection over online social networksel
dc.title.alternativeΕφαρμογή νευρωνικών διτκύων γράφων για την ανάλυση στάσης σε μέσα κοινωνικής δικτύωσηςel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeRangoussi, Maria
dc.contributor.committeeΠαπουτσιδάκης, Μιχαήλ
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγήςel
dc.contributor.masterΤεχνητή Νοημοσύνη και Βαθιά Μάθησηel
dc.description.abstracttranslatedΟι ψευδείς ειδήσεις έχουν κατακλύσει τα κοινωνικά δίκτυα και έχουν μελετηθεί από διαφορετικές οπτικές γωνίες. Έχουν προταθεί διάφορες μεθοδολογίες για την προσέγγιση αυτού του θέματος. Τα τελευταία χρόνια οι ερευνητές διεξάγουν αναλύσεις βασισμένες σε μοντέλα μηχανικής μάθησης και νευρωνικών δικτύων. Τα αποτελέσματα ενός μοντέλου δεν εξαρτώνται μόνο από τη δομή του μοντέλου αυτού καθ’ εαυτού, αλλά και από την σωστή προ-επεξεργασία των δεδομένων. Για αυτό το λόγο έχουν επίσης αναπτυχθεί διάφορες τεχνικές προ-επεξεργασίας. Κύριος στόχος των ερευνητών είναι ο συνδυασμός της κατάλληλης επεξεργασίας των δεδομένων με τη χρήση του κατάλληλου μοντέλου για να προκύψουν βέλτιστα αποτελέσματα. Η συγκεκριμένη διπλωματική εργασία εξετάζει τις τεχνικές που έχουν αναπτυχθεί στον τομέα της αναγνώρισης των ψευδών ειδήσεων που διαδίδονται μέσα από τα κοινωνικά δίκτυα. Για το σκοπό αυτό υλοποιεί μια προσέγγιση που βασίζεται σε αλγόριθμο Νευρωνικού Δικτύου Γράφου (GNN). Στο εισαγωγικό μέρος της διπλωματικής εργασίας αναφέρονται οι τεχνικές που έχουν ήδη προταθεί και δημοσιευθεί από άλλους ερευνητές. Στην επόμενη ενότητα περιγράφονται οι λειτουργίες επεξεργασίας φυσικής γλώσσας με αναφορά στις ενσωματώσεις (embeddings) που παίζουν καθοριστικό ρόλο στη μετατροπή των δεδομένων σε μορφή κατάλληλη για εισαγωγή σε μοντέλα επεξεργασίας, καθώς και σε μοντέλα που χρησιμοποιούνται στην παρούσα ανάλυση. Καθώς η διατριβή βασίζεται στην ανάλυση μέσω GNNs, γίνεται λεπτομερής περιγραφή τους. Το σύνολο δεδομένων που χρησιμοποιήθηκε για την παρούσα ανάλυση έχει αναπτυχθεί επί τούτου για έρευνα πάνω στο θέμα της αξιολόγησης φημών. Μετά το data set, στη συνέχεια περιγράφεται η μεθοδολογία που επιλέχθηκε και υιοθετήθηκε. Συγκεκριμένα, το σύνολο δεδομένων ανοικτής πρόσβασης που έχει εξορυχθεί από το κοινωνικό δίκτυο Twitter, περιέχει φήμες που έχουν απασχολήσει έντονα το ευρύ κοινό σε προηγούμενο χρονικό διάστημα και περιέχει επισημάνσεις (χαρακτηρισμούς) ως προς τη στάση των χρηστών απέναντι σε αυτές τις φήμες – πιθανές ψευδείς ειδήσεις. Το σύνολο δεδομένων έχει ήδη διερευνηθεί με διάφορες μεθοδολογίες, αλλά όχι από την οπτική γωνία των GNNs. Η παρούσα διπλωματική εργασία έχει ως στόχο να αναλύσει τα δεδομένα αυτά με τη χρήση της αρχιτεκτονικής των GNNs και να αξιολογήσει συγκριτικά τα αποτελέσματα ως προς υπάρχοντα αντίστοιχα αποτελέσματα μέσω άλλων προσεγγίσεων, προκειμένου να εξάγει συμπεράσματα αλλά και να εντοπίσει τους περιορισμούς και να παράσχει ανατροφοδότηση για περαιτέρω ανάλυση.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές