Predictive Modeling of Online Social Behaviour using Dynamic Graph Neural Networks
| dc.contributor.advisor | Χαλκίδη, Μαρία | |
| dc.contributor.author | Εμμανουήλ, Κρητικός | |
| dc.date.accessioned | 2024-08-01T08:54:22Z | |
| dc.date.available | 2024-08-01T08:54:22Z | |
| dc.date.issued | 2024-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16647 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4069 | |
| dc.description.abstract | Το κύριο αντικείμενο αυτής της διατριβής είναι ο σχεδιασμός και η αξιολόγηση ενός Μοντέλου Δυναμικών Νευρωνικών Δικτύων Γράφων (Dynamic Graph Neural Network - DGNN) ως ένα από τα εργαλεία για την ανάλυση σύνθετων συμπεριφορικών ιχνών που καταγράφονται σε ένα χρονικά μεταβαλλόμενο κοινωνικό δίκτυο. Οι περισσότερες συμβατικές προσεγγίσεις παραλείπουν την ενσωμάτωση της χρονικής δυναμικής και της πολυτροπικής ενσωμάτωσης δεδομένων, που είναι πολύ σημαντικές για την ακριβή ανάλυση των κοινωνικών δικτύων. Λαμβάνοντας υπόψη αυτές τις παρατηρήσεις, αυτή η εργασία προτείνει ένα μοντέλο DGNN που συνδυάζει τη σύγκλιση γράφων με μηχανισμούς χρονικής κωδικοποίησης για την αποτύπωση των δομικών και χρονικών εξαρτήσεων με αποτελεσματικότητα. Το μοντέλο γίνεται προσαρμοστικό και ερμηνεύσιμο λόγω της σταδιακής μάθησης και των μηχανισμών προσοχής. Σχετικά με τις εμπειρικές μελέτες σε ορισμένα πραγματικά σύνολα δεδομένων, όπως οι αλληλεπιδράσεις στο Twitter και οι ακαδημαϊκοί συνεργατικοί γράφοι, τα μοντέλα DGNN παρέχουν ανώτερη απόδοση στην πρόβλεψη της συμπεριφοράς των χρηστών, της διάχυσης της πληροφορίας και των τάσεων σε σύγκριση με τα βασικά μοντέλα. Τα αποτελέσματα αυτής της έρευνας δείχνουν τις πραγματικές εφαρμογές του DGNN στην ανάλυση κοινωνικών μέσων, το μάρκετινγκ και τις πολιτικές σχετικές εργασίες, μεταξύ άλλων, παρέχοντας πολύ χρήσιμες πληροφορίες και εργαλεία για ερευνητές και επαγγελματίες. Αυτή η εργασία πλησιάζει ένα βήμα πιο κοντά στην πραγματική ανάπτυξη της δυναμικής ανάλυσης κοινωνικών δικτύων, παρέχοντας ένα ισχυρό πλαίσιο για περαιτέρω μελέτες και εφαρμογές. | el |
| dc.format.extent | 178 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Predictive Modeling of Online Social Behaviour using Dynamic Graph Neural Networks | el |
| dc.title.alternative | Προβλεπτική Μοντελοποίηση Διαδικτυακής Κοινωνικής Συμπεριφοράς με Χρήση Δυναμικών Νευρωνικών Δικτύων Γράφων | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The main focus of this dissertation is to design and benchmark a Dynamic Graph Neural Network model as one of the tools for complex behavior traces recorded in a time-variant social network. Most conventional approaches miss the incorporation of temporal dynamics and multi-modal data integration that are very important for an accurate analysis of social networks. In view of these observations, this paper proposes a DGNN model combining graph convolution with mechanisms of temporal encoding to capture the structural and temporal dependencies with effectiveness. The model becomes adaptive and interpretable due to incremental learning and attention mechanisms. With respect to empirical studies on some real-world datasets, like Twitter interactions and academic collaboration graphs, DGNN models provide superior performance in predicting user behavior, information diffusion, and trends as compared to baseline models. The results of this research show the real applications of DGNN in social media analysis, marketing, and policy-related work, among others, providing really useful insights and tools for researchers and practitioners. This work goes one step closer to the real development of dynamic social network analysis by providing a strong framework for further studies and applications. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Dynamic Graph Neural Networks (DGNN) | el |
| dc.subject.keyword | Social Network Analysis | el |
| dc.subject.keyword | Temporal Dynamics | el |
| dc.subject.keyword | Multi-Modal Data Integration | el |
| dc.subject.keyword | Real-Time Adaptation | el |
| dc.subject.keyword | Predictive Modeling | el |
| dc.subject.keyword | Attention Mechanisms | el |
| dc.date.defense | 2024-07-25 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα