Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Δέσποινα Παρασκευοπούλου

με θέμα

Αλγόριθμοι Μάθησης Συστάσεων για την Εξισορρόπηση μεταξύ Κόστους Δικτύου και Πόλωσης Απόψεων σε Πλατφόρμες Περιεχομένου

Recommendation Learning Algorithms to Balance Network Cost and Opinion Polarization in Content Platforms

Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Αναπληρωτής Καθηγητής Βασίλειος Σαμολαδάς

Περίληψη
Τα διαδικτυακά κοινωνικά δίκτυα έχουν πλέον καταστεί κεντρικοί χώροι συζήτησης θεμάτων που επηρεάζουν την κοινωνία. Σε αυτά τα περιβάλλοντα, η ποιότητα της πληροφορίας και ο τρόπος με τον οποίο αυτή διαδίδεται μέσα στο δίκτυο μπορούν να επηρεάσουν σημαντικά τη διαμόρφωση των απόψεων. Οι χρήστες στα δίκτυα τείνουν να αλληλοεπιδρούν με άτομα που έχουν παρόμοιες αντιλήψεις και να σχηματίζουν κοινότητες στις οποίες ανταλλάσσονται παρόμοιες απόψεις. Τα συστήματα συστάσεων διαδραματίζουν σημαντικό ρόλο σε αυτή τη διαδικασία, καθώς καθορίζουν μεγάλο μέρος του περιεχομένου στο οποίο εκτίθεται κάθε χρήστης. Συνήθως, τα συστήματα αυτά προωθούν περιεχόμενο που ευθυγραμμίζεται με τις προηγούμενες αλληλεπιδράσεις και πεποιθήσεις των χρηστών, με στόχο την αύξηση της αλληλεπίδρασης και τη μείωση του κόστους του δικτύου. Η παρούσα εργασία εστιάζει στον μετριασμό της πόλωσης των απόψεων σε δίκτυα, διατηρώντας παράλληλα συστάσεις φιλικές προς τη λειτουργία του δικτύου. Αρχικά, μοντελοποιούμε ένα κοινωνικό δίκτυο με χρήση γράφων, όπου οι απόψεις των χρηστών εξελίσσονται σύμφωνα με το μοντέλο Friedkin–Johnsen για την κοινωνική επιρροή. Επιβεβαιώσαμε ότι η πόλωση μπορεί να μεταβληθεί όταν αφήνουμε την κοινωνική επιρροή να εξελίσσεται με την πάροδο του χρόνου και, πάνω σε αυτή τη δυναμική, χρησιμοποιούμε τις συστάσεις περιεχομένου ως μηχανισμό μείωσης της πόλωσης. Το βασικό ερώτημα είναι σε ποιους χρήστες, μέσα στο δίκτυο, θα προταθεί περιεχόμενο, ώστε να επιτευχθεί αυτή η μείωση. Καθώς το περιβάλλον μεταβάλλεται με τον χρόνο, το πρόβλημα διατυπώνεται ως ένα μη στάσιμο πρόβλημα ακολουθιακής λήψης αποφάσεων. Μελετούμε bandit-style μεθόδους επιλογής χρηστών, όπως οι EXP3.S, restart LinUCB και GNN-based UCB, σε συνδυασμό με επιλογή περιεχομένου. Οι μέθοδοι αυτές συγκρίνονται με μία Greedy προσέγγιση, ώστε να αξιολογηθεί η ικανότητά τους να μειώνουν την πόλωση σε διαφορετικά καθεστώτα δικτύου και υπό περιορισμένη γνώση.

Abstract
Online social networks have become central spaces for the discussion of topics that affect a society. In these environments, the quality of information and the way it diffuses through the network can strongly affect opinion formation. Users in networks tend to interact with like-minded individuals and form communities where similar views are exchanged. Recommendation systems play an important role in this process, since they determine a large part of the content each user is exposed to. Most of the time, the systems promote content that aligns with users' previous interactions and beliefs in order to increase engagement and reduce the network cost. This work focuses on mitigating opinion polarization in networks while maintaining network-friendly recommendations. At first, we model a social network using graphs where user opinions evolve following the Friedkin-Johnsen model for social influence. We verified that polarization can change when letting the social influence evolve over time hence, on top of that, we use content recommendations as a depolarizing mechanism. The question here is which users should we target, with content, inside a network in order to get a depolarizing effect. Since the environment changes over time, the problem is formulated as a non-stationary sequential decision-making task. We study bandit-style user-selection methods, including EXP3.S, restart LinUCB, and GNN-based UCB, combined with a depolarizing content selection. These methods are compared against a Greedy baseline to evaluate their ability to reduce polarization across different network regimes under limited knowledge.