M203. Ανάλυση Κοινωνικών Δικτύων

1. Ταυτότητα Μαθήματος:

Τίτλος μαθήματος: Ανάλυση Κοινωνικών Δικτύων (Social Network Analysis)

Εξάμηνο διδασκαλίας: 2ο

Ώρες εβδομαδιαίως: 3

Μονάδες ECTS: 6

2. Μαθησιακοί Στόχοι:

Σκοπός του μαθήματος είναι η εξοικείωση και εξειδίκευση του φοιτητή στο αντικείμενο της ανάλυσης δικτύων τόσο από τη άποψη της ανάλυσης των γραφημάτων που περιγράφουν τα Κ.Δ. όσο και από την σκοπιά της ανάλυσης κειμένων που δημοσιεύονται σε κοινωνικά δίκτυα με στόχο την εξαγωγή της άποψης του συντάκτη. Συγκεκριμένα ο φοιτητής αποκτά γνώσεις σχετικά με τη θεωρία γραφημάτων, τους βασικούς αλγορίθμους ανάλυσης γραφημάτων δικτύων, και την επεξεργασία κειμένου, εξειδικεύεται στην χρήση και εφαρμογή γραφικών βάσεων δεδομένων για την ανάλυση κοινωνικών δικτύων, εφαρμόζει μεθόδους ανάλυσης γραφημάτων για την πρόβλεψη συνδέσμων και φίλων, και κατανοεί, αναλύει και υλοποιεί μεθόδους επεξεργασίας κειμένου για την ανάκτηση άποψης.

3. Αντικείμενο του μαθήματος:

Τα θέματα που καλύπτονται είναι τα παρακάτω:

  • Εισαγωγή
    • Εισαγωγικές έννοιες ανάλυσης κοινωνικών δικτύων (Social Network Analysis)
  • Θεωρία γραφημάτων
    • Βασικές έννοιες θεωρίας γραφημάτων
  • Σύσταση συνεργατών
    • Το πρόβλημα της σύστασης συνεργατών σε ένα επαγγελματικό δίκτυο. Έννοιες και αλγόριθμοι
  • Βάσεις Δεδομένων Γραφήματος
    • Εισαγωγή στις ΒΔΓ (Graph Databases)
    • Άσκηση και παραδείγματα στην ΒΔΓ “Neo4j”
  • Αναζήτηση σε Κοινωνικά Δίκτυα και στην Ανάκτηση άποψης: ζητούμενα & προβλήματα
  • Μηχανική Μάθηση και Επεξεργασία Φυσικής Γλώσσας
    • Βασικές έννοιες επεξεργασίας λόγου
    • Η μέθοδος Word2Vec
    • Εφαρμογές
  • Ανάλυση συναισθήματος
    • Ανάλυση συναισθήματος (sentiment analysis) σε κείμενα φυσικού λόγου, κοινωνικά δίκτυα και microblogs (π.χ. Twitter)
    • Μέθοδοι και τεχνικές ανάλυσης συναισθήματος.
  • Ανάλυση δικτύου φίλων σε Κοινωνικά Δίκτυα
    • Πρόβλεψη συνδέσμων: friend recommendation και follow recommendation

4. Διδακτική Μέθοδος

Η εκπαίδευση των φοιτητών συνδυάζει διαλέξεις και εργαστηριακή άσκηση. Οι φοιτητές θα κληθούν να υλοποιήσουν μια εργασία σε ένα από τα αντικείμενα του μαθήματος χρησιμοποιώντας είτε μεθόδους μηχανικής μάθησης για την αναγνώριση συναισθήματος σε κείμενο φυσικής ομιλίας είτε χρησιμοποιώντας γραφική βάση δεδομένων για την ανάλυση ενός δικτύου.

5. Μέθοδος αξιολόγησης φοιτητών

Η αξιολόγηση των φοιτητών στηρίζεται στην τελική εργασία που θα παραδώσουν στο τέλος του εξαμήνου. Μέρος της βαθμολογίας θα αποτελεί και η συμμετοχή στις παρουσιάσεις των εργασιών.

6. Απαιτήσεις εξοπλισμού – λογισμικού

Ο εξοπλισμός που απαιτείται για την εκπαίδευση των φοιτητών σε εργαστηριακό περιβάλλον παρέχεται από το τμήμα πληροφορικής και το λογισμικό και τα εργαλεία που θα χρησιμοποιηθούν παρέχονται δωρεάν υπό τη μορφή αδειών χρήσης ανοιχτού κώδικα.

7. Προτεινόμενη Βιβλιογραφία

  • Mark Needham and Amy E. Hodler, Graph Algorithms: Practical Examples in Apache Spark and Neo4j, O’Reilly Media, 2019, https://neo4j.com/graph-algorithms-book/
  • Νικολόπουλος, Σ., Γεωργιάδης, Λ., Παληός, Λ., 2015. Αλγοριθμική θεωρία γραφημάτων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών. Διαθέσιμο στο: http://hdl.handle.net/11419/2067
  • F. Menczer, S. Fortunato and C. Davis, A First Course in Network Science, Cambridge University Press, 2020
  • S. Yang, F. B. Keller, L. Zheng, Social Network Analysis: Methods and Examples, Sage publishing, 2017
  • J. Scott, Social Network Analysis, Sage publishing, 2017
  • Y. Goldberg, Neural Network Methods in Natural Language Processing, 2017
Skip to content