Leveraging social networks and knowledge graphs for discovering and recommending engaging and credible information

Abstract

The increasing use of social media brings up the crucial role of social content recommendation and ranking algorithms that affect user engagement to interesting content. Additionally, the growing social network activity accelerates and boosts misinformation and disinformation diffusion, highlighting the need for efficient fake news detection models. Apart from social networks, digital transformation results in significant data growth and diversity of available datasets that result in rich and heterogeneous content. Hence, the volume and complexity of available data make efficient data exploration systems more and more crucial. On a separate front, knowledge engineers organize the objects of human knowledge and the relationships between them to create computer-manageable knowledge graphs. In this thesis, we explored the possibilities of connections between these research areas. We showed that combining the knowledge provided by the most advanced knowledge graphs and data from social networks can significantly improve the efficiency of recommendation systems. Furthermore, relations extracted from knowledge bases such as fact-checking services can provide ground truth training datasets to develop efficient misinformation detection models, while the semantic elements of knowledge graphs can assist in exploring datasets effectively, and the analysis of data from social networks can contribute to browsing and understanding the available data.

Η αυξανόμενη χρήση των μέσων κοινωνικής δικτύωσης αναδεικνύει τον κρίσιμο ρόλο των αλγορίθμων κατάταξης και προτάσεων περιεχομένου που επηρεάζουν την εμπειρία των χρηστών και την ενασχόλησή τους με ενδιαφέρον περιεχόμενο. Επιπλέον, η αυξανόμενη δραστηριότητα στα μέσα κοινωνικής δικτύωσης επιταχύνει και ενισχύει την παραπληροφόρηση και τη διάδοση ψευδών ειδήσεων, επισημαίνοντας την ανάγκη για την ανάπτυξη αποτελεσματικών μοντέλων ανίχνευσης παραπλανητικού περιεχομένου. Εκτός από τα κοινωνικά δίκτυα, η ψηφιακή μετάβαση δημιουργεί σημαντική αύξηση και ποικιλομορφία των διαθέσιμων συνόλων δεδομένων τα οποία περιλαμβάνουν πλούσιο και ετερογενές περιεχόμενο. Ως εκ τούτου, ο όγκος και η πολυπλοκότητα των διαθέσιμων δεδομένων καθιστούν τα αποδοτικά συστήματα εξερεύνησης δεδομένων ολοένα και πιο κρίσιμα. Παράλληλα, οι μηχανικοί γνώσης οργανώνουν τα αντικείμενα της ανθρώπινης γνώσης και τις σχέσεις μεταξύ τους για τη δημιουργία γράφων γνώσης διαχειρίσιμων από υπολογιστικά συστήματα. Σε αυτή τη διατριβή, διερευνήσαμε τις δυνατότητες σύνδεσης μεταξύ αυτών των ερευνητικών περιοχών. Ανακαλύψαμε ότι ο συνδυασμός των γνώσεων που παρέχονται από τους πιο προηγμένους γράφους γνώσης και δεδομένων από κοινωνικά δίκτυα μπορεί να βελτιώσει σημαντικά την αποτελεσματικότητα των συστημάτων προτάσεων. Επιπλέον, οι σχέσεις που εξάγονται από βάσεις γνώσεων όπως οι υπηρεσίες ελέγχου γεγονότων μπορούν να παρέχουν σύνολα δεδομένων εκπαίδευσης για την ανάπτυξη αποτελεσματικών μοντέλων ανίχνευσης παραπληροφόρησης, ενώ τα σημασιολογικά στοιχεία των γράφων γνώσης μπορούν να βοηθήσουν στην αποτελεσματική εξερεύνηση συνόλων δεδομένων και η ανάλυση δεδομένων από τα κοινωνικά δίκτυα μπορεί να συμβάλλει στην περιήγηση και την κατανόηση των διαθέσιμων δεδομένων.