Στα πλαίσια της συγκεκριμένης εργασίας, αρχικά παρουσιάστηκε η έννοια της εμπιστοσύνης, οι εφαρμογές της, οι τρόποι συλλογής της, καθώς και τα είδη της. Έπειτα μελετήθηκαν τα χαρακτηριστικά των κοινωνικών δικτύων, καθώς και οι τρόποι αναπαράστασής τους με την χρήση γραφημάτων. Στην συνέχεια, μελετήθηκε η σχέση της εμπιστοσύνης με τα κοινωνικά δίκτυα, εστιάζοντας στις προκλήσεις πρόβλεψης εμπιστοσύνης σε αυτά. Ακολούθως, μελετήθηκαν διεξοδικά τα μοντέλα και οι αλγόριθμοι πρόβλεψης εμπιστοσύνης στα κοινωνικά δίκτυα, παρουσιάζοντας τα χαρακτηριστικά και τις διαφορές που υπάρχουν μεταξύ τους (αφού πρώτα πραγματοποιήθηκε η αντίστοιχη κατηγοριοποίηση). Τέλος, όσο αφορά το πρακτικό μέρος της εργασίας, πραγματοποιήθηκε πειραματική διαδικασία με χρήση της γλώσσας Python και του περιβάλλοντος προγραμματισμού Anaconda, στην οποία εφαρμόστηκαν μοντέλα μηχανικής μάθησης για την πρόβλεψης της ισχύος δεσμού μεταξύ χρηστών στο κοινωνικό δίκτυο Facebook. Τα μοντέλα, τα οποία μελετήθηκαν είναι τα παρακάτω: ΚΝΝ, Logistic Regression, SVM, Naive Bayes, Gradient Boosting, Decision Tree, ADA Booster, Νευρωνικό Δίκτυο, Random Forest, Extra Trees. Τα αποτελέσματα της πειραματικής διαδικασίας έδειξαν ότι τα περισσότερα μοντέλα συμπεριφέρονται με αποδοτικό τρόπο, με βάση τις αντίστοιχες μετρικές αξιολόγησης (accuracy, precision, recall, f1 – score). Επιπλέον, παρουσιάστηκαν δύο υλοποιημένες προσεγγίσεις, οι οποίες κινούνται προς την κατεύθυνση της πρόβλεψης εμπιστοσύνης σε κοινωνικά δίκτυα. Τελικό συμπέρασμα, το οποίο προκύπτει είναι ότι η Τεχνητή Νοημοσύνη, και πιο συγκεκριμένα η Μηχανική Μάθηση, μπορεί να συμβάλλει με θετικό τρόπο στην πρόβλεψη εμπιστοσύνης μεταξύ χρηστών σε κοινωνικά δίκτυα. Οι μελλοντικές προκλήσεις είναι αρκετές και απαιτούν άμεση επίλυση, ώστε να μελετώνται με τρόπο αποδοτικό οι σχέσεις μεταξύ των χρηστών.

In the context of this work, the concept of trust, its applications, the ways of collecting it, as well as its types were initially presented. Then they studied the characteristics of social networks, as well as the ways of representing them using graphs. Next, the relationship of trust to social networks was studied, focusing on the challenges of predicting trust in them. Subsequently, the models and algorithms for predicting trust in social networks were thoroughly studied, showing the characteristics and differences that exist between them (after the corresponding categorization was carried out). Finally, as far as the practical part of the work is concerned, an experimental procedure was carried out using the Python language and the Anaconda programming environment, in which machine learning models were applied to predict the bond strength between users on the social network Facebook. The models studied are CNN, Logistic Regression, SVM, Naive Bayes, Gradient Boosting, Decision Tree, ADA Booster, neural network, Random Forest, Extra Trees. The results of the experimental procedure showed that most models behave in an efficient way, based on the corresponding evaluation metrics (accuracy, precision, recall, f1 – score). In addition, two implemented approaches were presented, which move towards predicting trust in social networks. The conclusion is that artificial intelligence, and more specifically machine learning, can contribute positively to the prediction of trust between users in social networks. Future challenges are sufficient and require immediate resolution to efficiently study the relationships between users.