Στην παρούσα διπλωματική εργασία έγινε μια προσπάθεια ανάλυσης της διάχυσης της
πληροφορίας στα κοινωνικά δίκτυα με την χρήση δεδομένων που αντλήθηκαν από την
κοινωνική πλατφόρμα Twitter-X και ήταν διαθέσιμα προς επεξεργασία μέσω του
ιστότοπου της kaggle. Αρχικά ερευνήθηκαν και διατυπώθηκαν οι βασικές μετρικές
κεντρικότητας των κοινωνικών δικτύων καθώς και τα βασικότερα μοντέλα διάχυσης της
πληροφορίας . Επίσης έγινε αναφορά σε σχετικές έρευνες για το συγκεκριμένο
ερευνητικό θέμα. Στη συνέχεια , με την χρήση των δεδομένων από την Kaggle και την
χρήση της γλώσσας προγραμματισμού Python έγινε σύγκριση απόδοσης μεταξύ των
μοντέλων του Ανεξάρτητου καταρράκτη(Independent Cascade Model) και του
Γραμμικού Μοντέλου Κατωφλιού(Linear Threshold Model) με αρχικά σετ σποράς που
προέκυψαν από συγκεκριμένες μετρικές κεντρικότητας των κοινωνικών δικτύων, Τα
αποτελέσματα έδειξαν ότι το ICM προσφέρει μεγαλύτερη και πιο σταθερή διάδοση στο
δίκτυο, ενώ το LTM εμφανίζει μεγαλύτερη ποικιλία και πιθανές αποκλίσεις στα
αποτελέσματά του. Επιπρόσθετα για τα ίδια δεδομένα διερευνήθηκε η ύπαρξη
εξάρτησης μεταξύ του αριθμού των φίλων που έχει κάθε χρήστης και συγκεκριμένων
μετρικών κεντρικότητας, όπως η κεντρικότητα βαθμού και η κεντρικότητα
ενδιαμεσότητας με τα αποτελέσματα να δείχνουν ότι η κεντρικότητα ενδιαμεσότητας
έχει σημαντική σχέση με τον αριθμό των φίλων ενός χρήστη στο δίκτυο, ενώ η
κεντρικότητα βαθμού έχει μια πολύ πιο ασθενή σχέση. Τέλος με την χρήση ακόμη ενός
σετ δεδομένων Twitter από τον ιστότοπο της Kaggle έγινε ανάλυση της επίδρασης των
retweets μεταξύ των διαφορετικών κοινοτήτων η οποία αποκάλυψε μεγάλη ποικιλία
στις αντιδράσεις των χρηστών σε κάθε κοινότητα.

In this thesis, an effort was made to analyze the diffusion of information in social
networks using data sourced from the social platform Twitter-X, available for processing through the Kaggle website. Initially, the fundamental centrality metrics of social networks and the main models of information diffusion were investigated and presented. Additionally, related research on this topic was discussed. Subsequently, using the Kaggle data and the Python programming language, a performance comparison was conducted between the Independent Cascade Model (ICM) and the Linear Threshold Model (LTM) with initial seed sets derived from specific centrality metrics of social networks. The results indicated that the ICM offers greater and more stable diffusion across the network, while the LTM exhibits greater variability and potential deviations in its outcomes. Furthermore, for the same dataset, the existence of a dependency between the number of friends a user has and certain centrality metrics, such as degree centrality and betweenness centrality, was examined. The findings showed that betweenness centrality has a significant relationship with the number of friends a user has in the network, while degree centrality has a much weaker relationship. Finally, using another Twitter dataset from Kaggle, an analysis of the impact of retweets among different communities was conducted, revealing a wide variety in user reactions within each community.