Μηχανική Μάθηση για την Ανάλυση Κοινωνικών Δικτύων - Μοντέλα για την Ανίχνευση Ψευδών Ειδήσεων με Συνελικτικά Νευρωνικά Δίκτυα Γράφων

Abstract

Στην εν λόγω διπλωματική εργασία αναλύεται η ανίχνευση ψευδών ειδήσεων με τη χρήση συνελικτικων νευρωνικων δικτύων σε μορφή γραφών, στο κοινωνικό δίκτυο του Twitter. Η συγκεκριμένη διαδικτυακή πλατφόρμα, επιλέγεται από πληθωρα χρηστών για την ενημέρωση και την έκφραση των ιδεών τους. Αρχικά, αποδίδεται το θεωρητικό υπόβαθρο και αναλύονται οι έννοιες “Τεχνητή Νοημοσύνη” και “Μηχανική Μάθηση”, που καθιστούν την εργασία περισσότερο εύληπτη. 'Υστερα παρουσιάζεται η δομή και το περιεχόμενο του επιλεγμένου συνόλου δεδομένων FakeNewsNet. Εν συνεχεία, αναλύονται τόσο η αρχιτεκτονική όσο και το μαθηματικό μέρος των νευρωνικών δικτύων καθώς και τα συνελικτικά νευρωνικά δίκτυα σε γράφους (GCNs). Η ανίχνευση ψευδών ειδήσεων βασίζεται σε τρεις μεθόδους. Επιλέγοντας ως μοντέλο το GCN πρώτα χρησιμοποιούνται ως είσοδος, για την εκπαίδευση και μετά για την αξιολόγηση, user related χαρακτηριστικά, έπειτα topic related και τέλος ένας συνδυασμός ενδογενούς πληροφορίας, που αφορά την εξαγωγή διανυσμάτων χαρακτηριστικών από παλιές δημοσιεύσεις του χρήστη στο κοινωνικό δίκτυο του Twitter, και εξωγενούς πληροφορίας, που προκύπτει από την εξαγωγή διανυσμάτων χαρακτηριστικών από την προς ανάλυση είδηση. Τέλος, προστίθενται στο αρχικό Νευρωνικό Δίκτυο μηχανισμός attention (Graph Attention Network, GAT) και δοκιμάζεται επίσης το συνελικτικό GraphSAGE μοντέλο, προς ενίσχυση των προηγούμενων επιδόσεων. Ύστερα, παρατίθενται οι νέες επιδόσεις του μοντέλου, σε σύγκριση με τις προηγούμενης καθώς και με τις baseline μεθόδους των απλών νευρωνικών δικτύων. Το μοντέλο που υπερτερεί σε ακρίβεια και προτείνεται εν τέλει για την ανίχνευση ψευδών ειδήσεων είναι το Graph Attention Network με ακρίβεια (accuracy) που αγγίζει το 93%.