Συντάχθηκε 16-07-2026 08:42
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 22/07/2026 16:00
Λήξη: 22/07/2026 17:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Χρήστου – Αγγέλου Κουτουνίδη
με θέμα
Θεμελιακές Αρχές και Αλγοριθμικές Προσεγγίσεις για την Αποπόλωση Απόψεων μέσω Προτεινόμενου Περιεχομένου
Foundations and Algorithms for Recommendation-Driven Opinion Depolarization
Εξεταστική Επιτροπή
Καθηγητής Θρασύβουλος Σπυρόπουλος, (Επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Αντώνιος Δεληγιαννάκης
Περίληψη
Η πόλωση ιδεών είναι ένα σημαντικό θέμα στην σημερινή εποχή, λόγω την ύπαρξης των social platforms και της συνεχής επιρροής των ατόμων από αυτά. Η βάση αυτών των πλατφόρμων είναι συστήματα προτάσεων περιεχομένου και παρότι η εξατομίκευση του περιεχομένου μπορεί να βελτιώσει την εμπειρία του χρήστη, η συνεχής προβολή παρόμοιων θέσεων μπορεί να ενισχύσει φαινόμενα όπως τα echo chambers και τα filter bubbles, αυξάνοντας την πόλωση. Στην παρούσα διπλωματική εργασία η αποπόλωση απόψεων σε κοινωνικά δίκτυα μοντελοποιείται ως ένα πρόβλημα διαδοχικών συστάσεων με την χρήση Διαδικασίας Αποφάσεων Markov (MDP). Ο στόχος είναι η ανάπτυξη μιας αποδοτικής αλγοριθμικής λύσης που να επιτυγχάνει πλήρη αποπόλωση, καταφέρνοντας επίσης να κάνει scale σε μεγαλύτερα δίκτυα. Αρχικά εφαρμόζονται μέθοδοι ενισχυτικής μάθησης, όπως Policy Iteration και Value Iteration, ώστε να επιβεβαιωθεί ότι σενάρια βασισμένα στο MDP που εφαρμόστηκε, μπορούν πράγματι να αποπολωθούν. Στη συνέχεια εισάγονται μέθοδοι βασισμένες σε Deep Q-Networks (DQN) και Graph Neural Networks (GNN), για την αντιμετώπιση των περιορισμών επεκτασιμότητας των μεθόδων ενισχυτικής μάθησης. Τα τελικά αποτελέσματα δείχνουν ότι τα GNN, σε μεγαλύτερα κοινωνικά δίκτυα παρουσιάζουν σταθερή και ισχυρή απόδοση αποπόλωσης.
Abstract
Opinion polarization is an important issue in today’s society due to the widespread use of social media platforms and their continuous influence on users. These platforms rely heavily on content recommendation systems, and although personalization can improve the user experience, repeatedly exposing users to similar viewpoints can reinforce phenomena such as echo chambers and filter bubbles, thereby increasing polarization. In this thesis, the process of selecting content recommendations in a social network is formulated as a sequential decision-making problem using a Markov Decision Process (MDP). The goal is to develop an algorithmic solution that can efficiently achieve full depolarization while also having the ability to scale to larger networks. Initially, tabular methods such as Policy Iteration and Value Iteration are used to verify that scenarios based on the proposed MDP can indeed be successfully depolarized. Subsequently, methods based on Deep Q-Networks (DQN) and Graph Neural Networks (GNNs) are introduced, to address the scalability limitations of the tabular approaches. The final results show that GNN-based methods maintain stable and robust depolarization performance when applied to larger social networks.
