Μεθοδολογίες πρόγνωσης ακμών σε κοινωνικά δίκτυα με χρήση νευρωνικών δικτύων γράφων
| dc.contributor.advisor | Τσιχριντζής, Γεώργιος | |
| dc.contributor.author | Καράτζιας, Μάρκος - Δημήτριος | |
| dc.date.accessioned | 2022-10-26T11:09:27Z | |
| dc.date.available | 2022-10-26T11:09:27Z | |
| dc.date.issued | 2022-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14745 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2167 | |
| dc.description.abstract | Ο σκοπός αυτής της διπλωματικής εργασίας είναι η μελέτη του προβλήματος της πρόγνωσης ακμών στα μέσα κοινωνικής δικτύωσης με χρήση νευρωνικών δικτύων γράφων. Τα Νευρωνικά Δίκτυα Γράφων είναι μοντέλα σύνδεσης που χρησιμοποιούν τη μετάδοση μηνυμάτων μεταξύ κόμβων γραφημάτων για να αντικατοπτρίζουν την εξάρτηση γράφου. Τα Νευρωνικά δίκτυα γράφων, σε αντίθεση με τα κανονικά νευρωνικά δίκτυα, διατηρούν μια κατάσταση που τους επιτρέπει να αντιπροσωπεύουν πληροφορίες από το άμεσο περιβάλλον τους με αυθαίρετο βάθος. Η πρόβλεψη σύνδεσης είναι ένα βασικό πρόβλημα για δεδομένα δομημένα σε δίκτυο. Τα ευρετικά πρόβλεψης συνδέσμων χρησιμοποιούν ορισμένες συναρτήσεις βαθμολογίας, όπως κοινούς γείτονες και δείκτη Katz, για τη μέτρηση της πιθανότητας συνδέσεων. Έχουν λάβει ευρείες πρακτικές χρήσεις λόγω της απλότητα, της ερμηνευτικότητας, και για ορισμένα από αυτά, της επεκτασιμότητάς τους. Αρχικά γίνεται μια αναφορά στα κοινωνικά δίκτυα, τη δομή τους και την ανάλυση αυτών καθώς επίσης αναφέρουμε και άλλα ζητήματα που αφορούν στην έρευνα της ανάλυσης κοινωνικών δικτύων. Έπειτα περιγράφουμε το πρόβλημα της πρόγνωσης ακμών, αλλά πριν περάσουμε στις τεχνικές πρόβλεψης γίνεται μια γενικότερη αλλά και εκτενής ταυτόχρονα αναφορά στα νευρωνικά δίκτυα σε γράφους, τον σχεδιασμό αλλά και το που αυτά βρίσκουν εφαρμογές στο πραγματικό κόσμο. | el |
| dc.format.extent | 52 | el |
| dc.language.iso | el | 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 | Μεθοδολογίες πρόγνωσης ακμών σε κοινωνικά δίκτυα με χρήση νευρωνικών δικτύων γράφων | el |
| dc.title.alternative | Link prediction in social networks with graph neural networks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The purpose of this dissertation is to study the problem of link prediction on social media using graph neural networks. Graph Neural Networks are connection models that use the transmission of messages between graph nodes to reflect graph dependency. Graphic neural networks, unlike normal neural networks, maintain a state that allows them to represent information from their immediate environment with arbitrary depth. Link prediction is a major problem for network-structured data. Link prediction heuristics use certain scoring functions, such as common neighbors and the Katz index, to measure link probability. They have received wide practical uses due to their simplicity, interpretability, and for some of them, their scalability. Initially, a reference is made to social networks, their structure, and their analysis as well as other issues related to the research of social network analysis. Then we describe the problem of link prediction, but before moving on to the link prediction techniques, a more general but at the same time extensive reference is made to neural networks in graphs, their general design and how these are applied in the real world. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Link prediction | el |
| dc.subject.keyword | Graph neural networks | el |
| dc.subject.keyword | Social networks | el |
| dc.date.defense | 2022-09-30 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
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