BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20250211T140458Z LAST-MODIFIED:20250211T140458Z DTSTAMP:20260714T215345Z UID:1784055225@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ιωάννη Χοχλάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=7537&cHash=42 78e4b3873e8882ee37197ec2baa3a2\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιω άννη Χοχλάκη\n με θέμα\n Χρήση Συστά σεων για τη Μείωση της Πόλωσης Απόψε ων στα Κοινωνικά Δίκτυα\n Using Reco mmendations to Reduce Opinion Polari zation in Social Networks\n Εξεταστι κή Επιτροπή\n Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)\n Καθηγητής Γεώργιος Χαλκιαδάκης\n Καθηγητής Μιχ αήλ Λαγουδάκης\n Περίληψη\n Τα τελευ ταία χρόνια, οι πλατφόρμες κοινωνική ς δικτύωσης έχουν γίνει πεδίο μάχης για κοινωνικο-πολιτική διαμάχη. Από την αρχική τους υποσχόμενη παγκόσμια διασύνδεση, τα μέσα κοινωνικής δικτ ύωσης έχουν αλλάξει ρόλο και την τωρ ινή εποχή ενισχύουν τις πολιτικές κα ι ιδεολογικές διαφορές. Αν και το Δι αδίκτυο προσφέρει πληθώρα πληροφοριώ ν, από διαφορετικές οπτικές γωνίες, τα άτομα συχνά έλκονται και συνδέοντ αι με άλλους που μοιράζονται παρόμοι ες απόψεις. Αυτός ο ``φυσικός'' διαχ ωρισμός των κοινωνικών δικτύων επιδε ινώνεται από κακόβουλους παράγοντες, όπως bots και κακόβουλους χρήστες, που εκμεταλλεύονται τις ψυχολογικές τάσεις των χρηστών (confirmation bia s) για να προωθήσουν τους δικούς του ς στόχους.\n Η εξατομίκευση των αλγο ρίθμων συστάσεων έπαιξε επίσης βασικ ό ρόλο στην προώθηση αυτού του χάσμα τος μεταξύ των διαδικτυακών κοινοτήτ ων. Τα άτομα διοχετεύονται σε μονωμέ νες ομάδες ή ``echo chambers'' όπου οι προϋπάρχουσες πεποιθήσεις ενισχύο νται και οι διαφορετικές απόψεις έχο υν περιορισμένη έκθεση, με στόχο τη μεγιστοποίηση της δέσμευσης στην πλα τφόρμα και συνεπώς του κέρδους. Οι σ υνέπειες αυτής της αλγοριθμικής προκ ατάληψης εκτείνονται πέρα από τον χώ ρο των κοινωνικών δικτύων και αποτελ ούν απειλή για την κοινωνία μας στο σύνολό της, χωρίζοντας μας αργά και σταθερά.\n Σε αυτή τη διπλωματική, ε στιάζουμε στον ρόλο των αλγορίθμων σ υστάσεων που βρίσκονται στο εσωτερικ ό του κοινωνικού δικτύου και προσπαθ ούμε να δημιουργήσουμε ένα σύστημα σ υστάσεων που εκτιμά όχι μόνο την δέσ μευση των χρηστών αλλά τη μείωση της πόλωσης και τη εξάλειψη των ``echo chamber'' μέσα στο δίκτυο.\n Αρχικά, παρέχουμε μια λεπτομερή εξήγηση του τρόπου με τον οποίο δημιουργούμε έν αν πολωμένο κοινωνικό δίκτυο, διαμορ φωμένο σύμφωνα με την κοινωνική πλατ φόρμα X, όπου κάθε χρήστης μέσα στο δίκτυο έχει μια γνώμη μαζί με ένα σύ νολο χρηστών που ακολουθεί.\n Στη συ νέχεια, παρουσιάζουμε το μοντέλο μας για την ασύγχρονη εξέλιξη γνώμεων β άσει συστάσεων, εξηγώντας πώς το προ τεινόμενο περιεχόμενο μπορεί να επηρ εάσει τις απόψεις των χρηστών στο δί κτυό μας. Επιπλέον, εξηγούμε πώς σε αυτό το μοντέλο μια ομάδα χρηστών μπ ορεί να μείνει εντελώς διαχωρισμένη, χωρίς να μπορεί να επηρεαστεί από ά λλους χρήστες. Ύστερα, ορίζουμε τον όρο για τη μέτρηση της πόλωσης που θ α χρησιμοποιηθεί στην αξιολόγηση του προτεινόμενου συστήματος.\n Στη συν έχεια εξηγούμε πώς θα προσαρμόσουμε αυτό το πρόβλημα σε ένα πλαίσιο Βαθι άς Ενισχυτικής Μάθησης (Deep Reinfor cement Learning) προκειμένου να εκπα ιδεύσουμε σωστά και να δημιουργήσουμ ε πράκτορες που θα λειτουργούν ως συ στάτες, χωρίς καμία γνώση των παραμέ τρων του μοντέλου. Αυτό σημαίνει ότι η υλοποίησή μας μπορεί να χρησιμοπο ιηθεί με άλλα μοντέλα εξέλιξης απόψε ων και μετρήσεις πόλωσης, εφόσον καθ οριστούν σωστά οι απαραίτητες παράμε τροι μοντελοποίησης Βαθιάς Ενισχυτικ ής Μάθησης. Στη συνέχεια ορίζουμε το ν χώρο κατάστασής μας, τον χώρο δράσ ης, τη συνάρτηση ανταμοιβής και τις τερματικές καταστάσεις για το προτει νόμενο Μοντέλο Ενισχυτικής Μάθησης.  \n Τέλος, διεξάγουμε ένα σύνολο πειρ αμάτων, σε μικρές πολωμένες κοινότητ ες, για να αξιολογήσουμε εάν η προτε ινόμενη λύση μας μπορεί πράγματι να μειώσει την πόλωση. Τα αποτελέσματά μας επιβεβαιώνουν την αποτελεσματικό τητα της προσέγγισής μας.\n Abstract  \n In recent years, social media pl atforms have become a battleground f or sociopolitical discourse. Once a herald of global connection, social networks are now a key factor in amp lifying political and ideological di vides around the globe. Although the internet offers an abundance of inf ormation, from diverse perspectives, individuals often gravitate towards and connect with others who share s imilar opinions. This ``natural'' se gregation of social networks is made worse by malicious actors, such as bots and misinformation agents, expl oiting users' psychological tendenci es (confirmation bias) in order to f urther their own goals.\n The person alization of recommenders also playe d a key role in furthering this divi de among online communities. Individ uals are funneled into insulated gro ups or “echo chambers” where preexis ting beliefs get reinforced and dive rse viewpoints get limited exposure, with the goal of maximizing engagem ent on the platform and thus profit. The consequences of this algorithmi c bias extend beyond the social netw ork space and pose a threat to our s ociety as a whole, dividing us slowl y and steadily.\n In this thesis, we focus on the role of the recommende r inside of the social network and a ttempt to create a recommendation sy stem that values not only user engag ement but the reduction of polarizat ion and the disruption of echo chamb ers inside the network.\n First, we provide a detailed explanation of ho w we create a polarized social netwo rk space, modeled after the social p latform X, where each user inside th e network has an opinion along with a set of users they follow.\n Next, we introduce our model of asynchrono us recommendation-driven opinion evo lution, explaining how suggested con tent can influence users' opinions i n our network. Additionally, we expl ain how in this model, a group of us ers may be left completely segregate d, unable to be influenced by other users. Next, we define our proposed metric for measuring polarization th at will be used in order to evaluate our proposed system’s success.\n We then explain how we will be adaptin g this problem to a Deep Reinforceme nt Learning framework in order to pr operly train and create agents that will act as recommenders, without an y knowledge of the model parameters. This means our implementation can b e used with other opinion evolution models and polarization metrics, as long as the necessary Reinforcement Learning modeling parameters are pro perly defined. We then define our st ate space, action space, the reward function and the terminal states for our proposed Reinforcement Learning Model. \n Finally, we conduct a set of experiments, on small polarized network communities, to evaluate if our proposed solution can indeed lea rn to reduce polarization. Our resul ts confirm the effectiveness of our approach.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250214T150000 DTEND:20250214T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR