Esta tesis se enfoca en el estudio de la dinámica del conocimiento que se presenta en
el contexto de las redes sociales. Acorde con la literatura, este tipo de redes puede ser
representada como una red compleja, la cual permite representar tanto a los miembros de
la red como las relaciones (con distintos grados de fortalezas) entre los mismos; sin embargo,
en los modelos clásicos no se hace explícita la representación del conocimiento. Como
primer aporte de esta tesis, se presenta un modelo denominado Base de Conocimiento de
Red (BCR), el cual permite representar este contexto como una red compleja multi-capa,
que también permite representar el conocimiento individual de cada miembro. Además,
el modelo posibilita establecer un conjunto de restricciones sobre la parte estructural y
sobre la parte epistémica de la red para poder caracterizar dominios más específicos. Asimismo,
se propone una manera de representar el contenido que
uye por la red mediante
elementos denominados ítems de noticia.
En contextos sociales, debido a la cantidad de información que puede ser generada en
un breve lapso y a la velocidad con que puede
fluir en la red, la integración de ésta con los
conocimientos previos de un agente no es una tarea sencilla. Basándose en la literatura
preexistente, se podría pensar en realizar dicha integración con operadores de revisión de
creencias clásicos; sin embargo, luego de analizarlos se concluyó que los mismos no son
adecuados ya que éstos no son capaces de manejar la riqueza de las entradas epistémicas
provenientes de las plataformas sociales. Por lo tanto, uno de los principales aportes de
esta tesis es la definición de tres familias de operadores específicos para revisar la base
de conocimiento local de un usuario: mesurado, débilmente mesurado y social. Tales
operadores fueron definidos agrupando distintos subconjuntos de postulados planteados
con el fin de representar distintas actitudes que puede tener un usuario para integrar el
conocimiento social. La definición de estos postulados fue informada por una evaluación
empírica realizada sobre un vasto conjunto de datos reales compuesto de publicaciones de
la red social Twitter. Además, para los primeros dos operadores se propone una construcción algorítmica, denominada revisión mesurada, la cual construye la KB local revisada
identificando las posibles operaciones a partir de órdenes parciales estrictos.
Como última contribución, se reporta el resultado de una segunda evaluación empírica
cuyo objetivo es implementar una aplicación de una versión simplificada del modelo de
BCR. Ésta demuestra que, junto con algoritmos de Machine Learning, el modelo puede
utilizarse para predecir comportamientos básicos de usuarios en Twitter. / In this thesis we focus on the knowledge dynamics that takes place in social media
contexts. According to the literature, this type of network can be represented as a complex
network that allows representing both the network's members as well as the relations
among them, considering the possibility for different strength levels; however, in the classical
models, knowledge representation is not considered explicitly. The first contribution
of this thesis is the definition of a model called Network Knowledge Base (NKB), which
allows to represent social contexts as a complex multi-layer network, in which individual
knowledge can be maintained. Additionally, in this model the notion of network is enriched
with a set of constraints that conditions both the structural part of the network and
the individual users' knowledge bases|thus, different types of domains and applications
can be characterized. Furthermore, the concept of news item is proposed as a means to
represent the information that
ows through the network.
In social contexts, given that the volume of information that can be generated in
a very short time and the speed with which it can spread over the network, the task
of integrating this information with the agents' previous knowledge is not easy. Based
on existing literature, it is possible to consider approaching the knowledge integration
task via classical belief revision operators; however, after analyzing this possibility, it was
concluded that such operators are not appropriate since classical operators are not capable
of managing the richness of the epistemic inputs produced by social platforms. Therefore,
one of the main contribution of this work is the definition of three novel belief revision
operator families specifically conceived for revising local knowledge base: restrained, weakly
restrained, and social. These operators are defined based on the satisfaction of different
subsets of postulates specified for the purpose of representing different attitudes that a
user can have when integrating social knowledge. The definition of such postulates were
informed by an empirical evaluation over a real-world dataset from the Twitter social
network. Moreover, an algorithmic construction is proposed for the first two operator
families called revise for restrained, whose output is generated by considering all valid
operations over a KB based on strict partial orders.
As a final contribution, results are reported on a second empirical evaluation, which
has the objective of implementing an application of a simplified version of the NKB model.
This experiment demonstrates that, leveraging Machine Learning algorithms, the model
can be used to predict basic user behaviors in Twitter.
| Identifer | oai:union.ndltd.org:uns.edu.ar/oai:repositorio.bc.uns.edu.ar:123456789/4682 |
| Date | 25 November 2019 |
| Creators | Gallo, Fabio Rafael |
| Contributors | Falappa, Marcelo Alejandro, Simari, Gerardo Ignacio |
| Publisher | Universidad Nacional del Sur |
| Source Sets | Universidad Nacional del Sur |
| Language | Spanish |
| Detected Language | English |
| Type | Electronic Thesis or Dissertation, Text |
| Rights | 2 |
Page generated in 0.011 seconds