Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης
Στην σημερινή εποχή ο μεγάλος όγκος διαθέσιμών πληροφοριών, η αναπαράσταση αυτών, καθώς και η αναπαράσταση συμπυκνωμένων δεδομένων, οδηγούν στην χρήση δομών δεδομένων όπως τα γραφήματα. Δίκτυα πληροφοριών σε τομείς όπως η βιολογία, το μάρκετινγκ και η κοινωνιολογία αναπαρίστανται αποτελεσματικά ω...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25467 |
| id |
nemertes-10889-25467 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Πρόβλεψη κοινοτήτων Μηχανική μάθηση Κοινότητα Community prediction Machine learning Community |
| spellingShingle |
Πρόβλεψη κοινοτήτων Μηχανική μάθηση Κοινότητα Community prediction Machine learning Community Σαρήογλου, Στέφανος Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| description |
Στην σημερινή εποχή ο μεγάλος όγκος διαθέσιμών πληροφοριών, η αναπαράσταση
αυτών, καθώς και η αναπαράσταση συμπυκνωμένων δεδομένων, οδηγούν στην χρήση
δομών δεδομένων όπως τα γραφήματα. Δίκτυα πληροφοριών σε τομείς όπως η
βιολογία, το μάρκετινγκ και η κοινωνιολογία αναπαρίστανται αποτελεσματικά ως
ιεραρχικά δεδομένα. Κοινή ιδιότητα σε πολλά δίκτυα αποτελεί η κοινωνική δομή, που
χωρίζει το δίκτυο σε ομάδες στις οποίες υπάρχει πυκνή διασύνδεση εντός των ομάδων
και αραιή διασύνδεση μεταξύ των ομάδων. Η εύρεση της κοινωνικής δομής βοηθά
στην κατανόηση της δομής των δικτύων και συσχετίζεται με την διαμέριση και την
ιεραρχική συσταδοποίηση. Ο εντοπισμός κοινοτήτων και η εξαγωγή της κοινωνικής
δομής αποδείχτηκε πως είναι μία από τις πιο χρήσιμες και αναγκαίες εφαρμογές στην
επιστήμη των δικτύων.
Τα τελευταία χρόνια, η επεξεργασία μεγάλου όγκου συνεχώς αυξανόμενων δεδομένων
καθιστά δύσκολή την εφαρμογή της υπάρχουσας μεθοδολογίας. Για την αντιμετώπιση
αυτού του NP-hard προβλήματος αναπτύσσονται καινοτόμες μέθοδοι εντοπισμού
κοινοτήτων βασισμένες σε ήδη υπάρχουσες. Εργαλεία κατανεμημένης μάθησης και
τεχνικές συνδυαστικής μάθησης πρωτοτυπούν και αντιμετωπίζουν πολλά από τα
προβλήματα που παρουσιάζουν παλαιότερες τεχνικές. Όμως, οι μέθοδοι είναι πολύ
απαιτητικές με εκτεταμένη ανάλυση, όπου παρατηρείται έλλειψη κλιμάκωσης.
Βασικός στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη συνδυαστικών
μεθόδων μηχανικής μάθησης, οι οποίες που μπορούν να χρησιμοποιηθούν για τη
δημιουργία ενός μοντέλου πρόβλεψης κοινοτήτων συνδυαστικής μάθησης, με απώτερο
σκοπό την μελέτη μίας εκ των μεθόδων που θα βελτιώνει τις ήδη υπάρχουσες τεχνικές
για την κατασκευή ενός κατανεμημένου μοντέλου συνδυαστικής μάθησης. Στην
συγκεκριμένη μέθοδο συνδυαστικής μάθησης πραγματοποιείται ακόμα μελέτη
σημαντικών παραμέτρων που ορίζουν την απόδοση του μοντέλου πρόβλεψης. Με
χρήση τοπολογικών ιδιοτήτων και της bootstrap δειγματοληψίας, ερευνάται η
παραμετροποίηση του επιλεγμένου μοντέλου συνδυαστικής μάθησης, για την οποία
χρησιμοποιήθηκαν μεγάλα και πραγματικά κοινωνικά δίκτυα που έδωσαν
ικανοποιητικά και αρκετά εύστοχα αποτελέσματα. |
| author2 |
Sarioglou, Stefanos |
| author_facet |
Sarioglou, Stefanos Σαρήογλου, Στέφανος |
| author |
Σαρήογλου, Στέφανος |
| author_sort |
Σαρήογλου, Στέφανος |
| title |
Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| title_short |
Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| title_full |
Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| title_fullStr |
Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| title_full_unstemmed |
Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| title_sort |
πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25467 |
| work_keys_str_mv |
AT sarēogloustephanos problepsēkoinotētōnsegraphēmatakoinōnikōndiktyōnmechrēsētechnikōnmēchanikēsmathēsēs AT sarēogloustephanos communitypredictioninsocialnetworkgraphsusingmachinelearningtechniques |
| _version_ |
1771297148767305728 |
| spelling |
nemertes-10889-254672023-07-11T03:53:17Z Πρόβλεψη κοινοτήτων σε γραφήματα κοινωνικών δικτύων με χρήση τεχνικών μηχανικής μάθησης Community prediction in social network graphs using machine learning techniques Σαρήογλου, Στέφανος Sarioglou, Stefanos Πρόβλεψη κοινοτήτων Μηχανική μάθηση Κοινότητα Community prediction Machine learning Community Στην σημερινή εποχή ο μεγάλος όγκος διαθέσιμών πληροφοριών, η αναπαράσταση αυτών, καθώς και η αναπαράσταση συμπυκνωμένων δεδομένων, οδηγούν στην χρήση δομών δεδομένων όπως τα γραφήματα. Δίκτυα πληροφοριών σε τομείς όπως η βιολογία, το μάρκετινγκ και η κοινωνιολογία αναπαρίστανται αποτελεσματικά ως ιεραρχικά δεδομένα. Κοινή ιδιότητα σε πολλά δίκτυα αποτελεί η κοινωνική δομή, που χωρίζει το δίκτυο σε ομάδες στις οποίες υπάρχει πυκνή διασύνδεση εντός των ομάδων και αραιή διασύνδεση μεταξύ των ομάδων. Η εύρεση της κοινωνικής δομής βοηθά στην κατανόηση της δομής των δικτύων και συσχετίζεται με την διαμέριση και την ιεραρχική συσταδοποίηση. Ο εντοπισμός κοινοτήτων και η εξαγωγή της κοινωνικής δομής αποδείχτηκε πως είναι μία από τις πιο χρήσιμες και αναγκαίες εφαρμογές στην επιστήμη των δικτύων. Τα τελευταία χρόνια, η επεξεργασία μεγάλου όγκου συνεχώς αυξανόμενων δεδομένων καθιστά δύσκολή την εφαρμογή της υπάρχουσας μεθοδολογίας. Για την αντιμετώπιση αυτού του NP-hard προβλήματος αναπτύσσονται καινοτόμες μέθοδοι εντοπισμού κοινοτήτων βασισμένες σε ήδη υπάρχουσες. Εργαλεία κατανεμημένης μάθησης και τεχνικές συνδυαστικής μάθησης πρωτοτυπούν και αντιμετωπίζουν πολλά από τα προβλήματα που παρουσιάζουν παλαιότερες τεχνικές. Όμως, οι μέθοδοι είναι πολύ απαιτητικές με εκτεταμένη ανάλυση, όπου παρατηρείται έλλειψη κλιμάκωσης. Βασικός στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη συνδυαστικών μεθόδων μηχανικής μάθησης, οι οποίες που μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός μοντέλου πρόβλεψης κοινοτήτων συνδυαστικής μάθησης, με απώτερο σκοπό την μελέτη μίας εκ των μεθόδων που θα βελτιώνει τις ήδη υπάρχουσες τεχνικές για την κατασκευή ενός κατανεμημένου μοντέλου συνδυαστικής μάθησης. Στην συγκεκριμένη μέθοδο συνδυαστικής μάθησης πραγματοποιείται ακόμα μελέτη σημαντικών παραμέτρων που ορίζουν την απόδοση του μοντέλου πρόβλεψης. Με χρήση τοπολογικών ιδιοτήτων και της bootstrap δειγματοληψίας, ερευνάται η παραμετροποίηση του επιλεγμένου μοντέλου συνδυαστικής μάθησης, για την οποία χρησιμοποιήθηκαν μεγάλα και πραγματικά κοινωνικά δίκτυα που έδωσαν ικανοποιητικά και αρκετά εύστοχα αποτελέσματα. Nowadays the large amount of information available, its representation, as well as the representation of condensed data, lead to the use of data structures such as graphs. Information networks in fields such as biology, marketing and sociology are effectively represented as hierarchical data. A common property in many networks is community structure, which divides the network into groups in which there is dense interconnection within groups and sparse interconnection between groups. Finding social structure helps to understand the structure of networks and correlates with partitioning and hierarchical clustering. Identifying communities and extracting community structure has proven to be one of the most useful and necessary applications in network science. In recent years, processing large volumes of ever-increasing data makes it difficult to implement the existing methodology. To address this NP-hard problem, innovative methods of identifying communities based on existing ones are being developed. Distributed learning tools and blended learning techniques prototype and address many of the problems presented by older techniques. But the methods are very demanding with extensive analysis, where there is a lack of scaling. The main objective of this diploma thesis is the study of combinatorial machine learning methods, which can be used to create a predictive model of blended learning communities, with the ultimate goal of studying one of the methods that will improve the already existing techniques for the construction of a distributed blended learning model. In addition, in this ensemble learning method, important parameters that define the performance of the prediction model are also studied. Using topological properties and bootstrap sampling, the parameterization of the selected ensemble learning model of the study is investigated, for which large and real social networks were used that gave satisfactory and quite accurate results. 2023-07-10T12:47:33Z 2023-07-10T12:47:33Z 2023-07-10 https://hdl.handle.net/10889/25467 el Attribution-NonCommercial-ShareAlike 3.0 United States http://creativecommons.org/licenses/by-nc-sa/3.0/us/ application/pdf |
