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:20260719T213445Z UID:1784486085@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ιωάννη Χοχλάκη - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=7537&cHash=ff29ea6bab8f5ab 4750473f4de87cb65\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ιωάννη Χοχλάκη\ n με θέμα\n Χρήση Συστάσεων για τη Μ είωση της Πόλωσης Απόψεων στα Κοινων ικά Δίκτυα\n Using Recommendations t o Reduce Opinion Polarization in Soc ial Networks\n Εξεταστική Επιτροπή\n Καθηγητής Θρασύβουλος Σπυρόπουλος ( επιβλέπων)\n Καθηγητής Γεώργιος Χαλκ ιαδάκης\n Καθηγητής Μιχαήλ Λαγουδάκη ς\n Περίληψη\n Τα τελευταία χρόνια, οι πλατφόρμες κοινωνικής δικτύωσης έ χουν γίνει πεδίο μάχης για κοινωνικο -πολιτική διαμάχη. Από την αρχική το υς υποσχόμενη παγκόσμια διασύνδεση, τα μέσα κοινωνικής δικτύωσης έχουν α λλάξει ρόλο και την τωρινή εποχή ενι σχύουν τις πολιτικές και ιδεολογικές διαφορές. Αν και το Διαδίκτυο προσφ έρει πληθώρα πληροφοριών, από διαφορ ετικές οπτικές γωνίες, τα άτομα συχν ά έλκονται και συνδέονται με άλλους που μοιράζονται παρόμοιες απόψεις. Α υτός ο ``φυσικός'' διαχωρισμός των κ οινωνικών δικτύων επιδεινώνεται από κακόβουλους παράγοντες, όπως bots κα ι κακόβουλους χρήστες, που εκμεταλλε ύονται τις ψυχολογικές τάσεις των χρ ηστών (confirmation bias) για να προ ωθήσουν τους δικούς τους στόχους.\n Η εξατομίκευση των αλγορίθμων συστάσ εων έπαιξε επίσης βασικό ρόλο στην π ροώθηση αυτού του χάσματος μεταξύ τω ν διαδικτυακών κοινοτήτων. Τα άτομα διοχετεύονται σε μονωμένες ομάδες ή ``echo chambers'' όπου οι προϋπάρχου σες πεποιθήσεις ενισχύονται και οι δ ιαφορετικές απόψεις έχουν περιορισμέ νη έκθεση, με στόχο τη μεγιστοποίηση της δέσμευσης στην πλατφόρμα και συ νεπώς του κέρδους. Οι συνέπειες αυτή ς της αλγοριθμικής προκατάληψης εκτε ίνονται πέρα από τον χώρο των κοινων ικών δικτύων και αποτελούν απειλή γι α την κοινωνία μας στο σύνολό της, χ ωρίζοντας μας αργά και σταθερά.\n Σε αυτή τη διπλωματική, εστιάζουμε στο ν ρόλο των αλγορίθμων συστάσεων που βρίσκονται στο εσωτερικό του κοινωνι κού δικτύου και προσπαθούμε να δημιο υργήσουμε ένα σύστημα συστάσεων που εκτιμά όχι μόνο την δέσμευση των χρη στών αλλά τη μείωση της πόλωσης και τη εξάλειψη των ``echo chamber'' μέσ α στο δίκτυο.\n Αρχικά, παρέχουμε μι α λεπτομερή εξήγηση του τρόπου με το ν οποίο δημιουργούμε έναν πολωμένο κ οινωνικό δίκτυο, διαμορφωμένο σύμφων α με την κοινωνική πλατφόρμα X, όπου κάθε χρήστης μέσα στο δίκτυο έχει μ ια γνώμη μαζί με ένα σύνολο χρηστών που ακολουθεί.\n Στη συνέχεια, παρου σιάζουμε το μοντέλο μας για την ασύγ χρονη εξέλιξη γνώμεων βάσει συστάσεω ν, εξηγώντας πώς το προτεινόμενο περ ιεχόμενο μπορεί να επηρεάσει τις από ψεις των χρηστών στο δίκτυό μας. Επι πλέον, εξηγούμε πώς σε αυτό το μοντέ λο μια ομάδα χρηστών μπορεί να μείνε ι εντελώς διαχωρισμένη, χωρίς να μπο ρεί να επηρεαστεί από άλλους χρήστες . Ύστερα, ορίζουμε τον όρο για τη μέ τρηση της πόλωσης που θα χρησιμοποιη θεί στην αξιολόγηση του προτεινόμενο υ συστήματος.\n Στη συνέχεια εξηγούμ ε πώς θα προσαρμόσουμε αυτό το πρόβλ ημα σε ένα πλαίσιο Βαθιάς Ενισχυτική ς Μάθησης (Deep Reinforcement Learni ng) προκειμένου να εκπαιδεύσουμε σωσ τά και να δημιουργήσουμε πράκτορες π ου θα λειτουργούν ως συστάτες, χωρίς καμία γνώση των παραμέτρων του μοντ έλου. Αυτό σημαίνει ότι η υλοποίησή μας μπορεί να χρησιμοποιηθεί με άλλα μοντέλα εξέλιξης απόψεων και μετρήσ εις πόλωσης, εφόσον καθοριστούν σωστ ά οι απαραίτητες παράμετροι μοντελοπ οίησης Βαθιάς Ενισχυτικής Μάθησης. Σ τη συνέχεια ορίζουμε τον χώρο κατάστ ασής μας, τον χώρο δράσης, τη συνάρτ ηση ανταμοιβής και τις τερματικές κα ταστάσεις για το προτεινόμενο Μοντέλ ο Ενισχυτικής Μάθησης. \n Τέλος, διε ξάγουμε ένα σύνολο πειραμάτων, σε μι κρές πολωμένες κοινότητες, για να αξ ιολογήσουμε εάν η προτεινόμενη λύση μας μπορεί πράγματι να μειώσει την π όλωση. Τα αποτελέσματά μας επιβεβαιώ νουν την αποτελεσματικότητα της προσ έγγισής μας.\n Abstract \n In recent years, social media platforms have become a battleground for sociopolit ical discourse. Once a herald of glo bal connection, social networks are now a key factor in amplifying polit ical and ideological divides around the globe. Although the internet off ers an abundance of information, fro m diverse perspectives, individuals often gravitate towards and connect with others who share similar opinio ns. This ``natural'' segregation of social networks is made worse by mal icious actors, such as bots and misi nformation agents, exploiting users' psychological tendencies (confirmat ion bias) in order to further their own goals.\n The personalization of recommenders also played a key role in furthering this divide among onli ne communities. Individuals are funn eled into insulated groups or “echo chambers” where preexisting beliefs get reinforced and diverse viewpoint s get limited exposure, with the goa l of maximizing engagement on the pl atform and thus profit. The conseque nces of this algorithmic bias extend beyond the social network space and pose a threat to our society as a w hole, dividing us slowly and steadil y.\n In this thesis, we focus on the role of the recommender inside of t he social network and attempt to cre ate a recommendation system that val ues not only user engagement but the reduction of polarization and the d isruption of echo chambers inside th e network.\n First, we provide a det ailed explanation of how we create a polarized social network space, mod eled after the social platform X, wh ere each user inside the network has an opinion along with a set of user s they follow.\n Next, we introduce our model of asynchronous recommenda tion-driven opinion evolution, expla ining how suggested content can infl uence users' opinions in our network . Additionally, we explain how in th is model, a group of users may be le ft completely segregated, unable to be influenced by other users. Next, we define our proposed metric for me asuring polarization that will be us ed in order to evaluate our proposed system’s success.\n We then explain how we will be adapting this proble m to a Deep Reinforcement Learning f ramework in order to properly train and create agents that will act as r ecommenders, without any knowledge o f the model parameters. This means o ur implementation can be used with o ther opinion evolution models and po larization metrics, as long as the n ecessary Reinforcement Learning mode ling parameters are properly defined . We then define our state space, ac tion space, the reward function and the terminal states for our proposed Reinforcement Learning Model. \n Fi nally, we conduct a set of experimen ts, on small polarized network commu nities, to evaluate if our proposed solution can indeed learn to reduce polarization. Our results confirm th e 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