Ανίχνευση Bots στο Twitter με χρήση Συνελικτικών Δικτύων Γραφημάτων

Abstract

Η διπλωματική αυτή εργασία πραγματεύεται την ανάπτυξη ενός συστήματος μηχανικής μάθησης, με στόχο την ανίχνευση ψευδών λογαριασμών στην πλατφόρμα του Twitter. Το Twitter αποτελεί ένα μέσο κοινωνικής δικτύωσης που επιτρέπει την αλληλεπίδραση των χρηστών μέσω σύντομων δημοσιεύσεων που ονομάζονται tweets. Το κυρίαρχο πλεονέκτημα της συγκεκριμένης εφαρμογής είναι η ελεύθερη παράθεση απόψεων και ιδεών, οι οποίες μάλιστα έχουν τη δυνατότητα να οργανωθούν και να ομαδοποιηθούν με βάση το θέμα και τους συμμετέχοντες. Με αυτόν τον τρόπο δημιουργούνται νήματα και λίστες βαθιών και εκτενών, ή και μη, συζητήσεων με χαρακτηριστικά όπως τα likes, τα mentions, τα replies και τα hashtags να πρωταγωνιστούν. Όλα όσα αναφέραμε ως θετικές δυνατότητες της πλατφόρμας του Twitter, έχουν την έμφυτη τάση να μετατρέπονται ανά πάσα στιγμή σε κρίσιμα μειονεκτήματά του, όχι προς το ίδιο το μέσο, αλλά φυσικά για τους ανθρώπους που το αξιοποιούν. Συγκεκριμένα, η δύναμη της επιρροής, που ένα τέτοιο μέσο προσεγγίζει, δε θα μπορούσε να μη συνοδευτεί από ζητήματα ασφάλειας και πιστότητας, όσον αφορά τις ειδήσεις και τις ιδέες που εκπέμπει. Με απλά λόγια, το Twitter, εδώ και πολλά χρόνια, έχει αποτελέσει ένα μέσο στρατευμένης διακίνησης απόψεων και ιδεών, με στόχο την κατεύθυνση ή και την παραπλάνηση μεγάλων ομάδων ανθρώπων, για κακοπροαίρετους σκοπούς. Η ελευθερία και η ανεξαρτησία μετατρέπεται έμμεσα σε υποδόρια χειραγώγηση και η ανάγκη για περιορισμό της εξάπλωσης των fake news και των bot λογαριασμών κρίνεται κάτι παραπάνω από επιτακτική. Η εργασία αρχικά καταπιάνεται με όλο το θεωρητικό υπόβαθρο των μοντέλων που απασχολούν το συγκεκριμένο πρόβλημα, αλλά και με τις πιο θεμελιώδεις έννοιες της Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης, ενώ στη συνέχεια περιγράφει όλες τις κατηγορίες προϋπάρχουσων μεθόδων που επιχείρησαν να δώσουν λύση. Τέλος, στην αρχιτεκτονική που υλοποιούμε και προτείνουμε, αξιοποιούμε πολυτροπικές μεθόδους επεξεργασίας δεδομένων, τις οποίες εν τέλει συνδυάζουμε προκειμένου να καταλήξουμε στις τελικές προβλέψεις. Κύριοι πρωταγωνιστές του συστήματος είναι τα κατάλληλα προσαρμοσμένα Graph Convolutional Networks, τα οποία μεταφέρουν πληροφορία και εκτελούν αλληλεπιδράσεις στις γειτονιές των χρηστών, καθιστώντας τις σχέσεις μεταξύ τους πλήρως καθοριστικές. Τέλος, συγκρίνουμε τις επιδόσεις του συστήματός μας με τις προγενέστερες της επιστημονικής κοινότητας, τονίζουμε τα δυνατά της σημεία αλλά και επισημάνουμε κάποιες μελλοντικές βελτιωτικές κινήσεις, οι οποίες μπορούν να εκτοξεύσουν περισσότερο την ακρίβεια, τη βαθύτητα αλλά και την ανθεκτικότητα του μοντέλου μας.