Μελέτη εμπιστοσύνης μεταξύ χρηστών σε κοινωνικά δίκτυα με την χρήση δικτύων μακράς και βραχείας μνήμης (LSTM)

• Κύριος συγγραφέας: Λύρας, Αθανάσιος
• Άλλοι συγγραφείς: Lyras, Athanasios
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Τεχνητή νοημοσύνη; Επιστήμη δεδομένων; Νευρωνικά δίκτυα; Επεξεργασία φυσικής γλώσσας; Artificial intelligence; Twitter; Natural language processing; Deep learning

Ακαδημαϊκοί, επιχειρηματίες, πολιτικοί αλλά και ΜΜΕ αναφέρονται στην 4η βιομηχανική επανάσταση όλο και πιο συχνότερα με κύρια χαρακτηριστικά να αφορούν ευφυή συστήματα που μπορούν να μάθουν και να εκπαιδευτούν μόνα τους (Machine Learning),την επιστήμη των δεδομένων(Data Science) και την Τεχνητή Νοημοσύνη(Artificial Intelligence). Η Τεχνητή Νοημοσύνη πλέον αξιοποιείται σε πολλούς τομείς του συγχρόνου κόσμου όπως και στην προσπάθεια πρόβλεψης της ανθρώπινης συμπεριφοράς. Η κοινωνική φύση του ανθρώπου έχει φέρει στην επιφάνεια εδώ και δεκαετίες πλέον τα κοινωνικά δίκτυα(Facebook,Tweeter,LinkedIn κτλ.) ή κοινωνικές ομάδες που υπάρχουν στο διαδίκτυο και επιτρέπουν στην επικοινωνία μεταξύ τους. Οι χρήστες μέσα από τα κοινωνικά δίκτυα αφήνουν το ψηφιακό τους αποτύπωμα μέσα από δεδομένα ποικίλων μορφών(εικόνες, γραπτά/ηχητικά μηνύματα, γεωγραφικές συντεταγμένες) τα οποία μπορούν να χρησιμοποιηθούν για να προβλέψουν την συμπεριφορά τους. Στην συγκεκριμένη διπλωματική εργασία, λοιπόν, στόχος μας είναι να επεξεργαστούμε κυρίως τα γραπτά μηνύματα που έχουν παραχθεί μέσω των κοινωνικών δικτυών στη προσπάθεια μας να μετρήσουμε πόσο αυτή επηρεάζει την εμπιστοσύνη του χρήση με το κοινωνικό του περιβάλλον. Μετά την επεξεργασίας της φυσικής γλώσσας(Natural Language Processing) θα χρησιμοποιήσουμε εξελιγμένες τεχνικές βαθιάς εκμάθησης (Deep Learning) ή Αναδρομικά Νευρωνικά Δίκτυα (RNN) με την ιδιότητα της Μακράς και Βραχείας μνήμης (LSTM’s). Τα LSTM’s με την χαρακτηριστική ιδιότητα βραχείας μνήμης που διαθέτουν μπορούν να κρατάνε τις σύντομες εναλλαγές της πληροφορίας που ίσως υπάρχουν και να μας δίνουν εξαιρετικά αποτελέσματα σε προβλήματα σχετικά με την φυσικής γλώσσας , την πρόβλεψη μετοχών κ.α. . Έτσι Η μεγάλη επιτυχία των LSTM’s τα κάνει ιδανική επιλογή για την εργασίας μας, για την πρόβλεψη αν ένα άτομο είναι έμπιστο σε ένα κοινωνικό δίκτυο μέσα από το γραπτά του μηνύματα. Η κοινωνική φύση του ανθρώπου έχει φέρει στην επιφάνεια εδώ και δεκαετίες πλέον τα κοινωνικά δίκτυα (\en{Facebook, Twitter, LinkedIn} κτλ.) ή κοινωνικές πλατφόρμες που υπάρχουν στο διαδίκτυο και επιτρέπουν στην επικοινωνία μεταξύ τους. Οι χρήστες μέσα από τα κοινωνικά δίκτυα αφήνουν το ψηφιακό τους αποτύπωμα μέσα από δεδομένα ποικίλων μορφών(εικόνες, γραπτά/ηχητικά μηνύματα, γεωγραφικές συντεταγμένες) τα οποία μπορούν να χρησιμοποιηθούν για να προβλέψουν την συμπεριφορά τους. Στην συγκεκριμένη διπλωματική εργασία, λοιπόν, στόχος μας είναι να επεξεργαστούμε κυρίως τα γραπτά μηνύματα που έχουν παραχθεί μέσω των κοινωνικών δικτύων στη προσπάθεια μας να μετρήσουμε κατά πόσο αυτή επηρεάζει την εμπιστοσύνη του χρήστη με το κοινωνικό του περιβάλλον. Μετά την επεξεργασίας της φυσικής γλώσσας\en{(Natural Language Processing)} θα χρησιμοποιήσουμε εξελιγμένες τεχνικές βαθιάς εκμάθησης \en{(Deep Learning)} ή Αναδρομικά Νευρωνικά Δίκτυα \en{(RNN)} με την ιδιότητα της Μακράς και Βραχείας μνήμης \en{(LSTM’s)}. Τα \en{LSTM’s} με την χαρακτηριστική ιδιότητα βραχείας μνήμης που διαθέτουν μπορούν να κρατάνε τις σύντομες εναλλαγές της πληροφορίας που ίσως υπάρχουν και να μας δίνουν εξαιρετικά αποτελέσματα σε προβλήματα σχετικά με την φυσική γλώσσα , την πρόβλεψη μετοχών κ.α.. Έτσι η μεγάλη επιτυχία των \en{LSTM’s} τα κάνει ιδανική επιλογή για την εργασίας μας, για την πρόβλεψη σε τι βαθμό ένα άτομο είναι έμπιστο στο κοινωνικό δίκτυο του \en{Twitter} μέσα από τα γραπτά του μηνύματα.