Τα κοινωνικά δίκτυα σήμερα συναντώνται σε όλες τις πτυχές της καθημερινής κοινωνικής ζωής του ατόμου. Επόμενο είναι λοιπόν, οι χρήστες αυτών των κοινωνικών δικτύων να είναι εκατομμύρια. Μέσα σε αυτόν το χαοτικό χάρτη χρηστών και κοινωνικών δικτύων δημιουργείται έντονα το πρόβλημα της υπερπληροφόρησης κάτι που κάνει τον κάθε χρήστη να βρίσκεται μπροστά σε κάτι που δεν μπορεί να αντιμετωπίσει μεμονωμένα και φυσικά χωρίς τη χρήση των νέων τεχνολογιών. Την απάντηση στo παραπάνω βασικό πρόβλημα που αντιμετωπίζει ο χρήστης σήμερα έρχονται να δώσουν τα συστήματα συστάσεων (Recommendation Systems). Τα συστήματα αυτά έρχονται ύστερα από πολλές μελέτες και επίπονη εργασία πάνω στον τομέα των πληροφοριακών συστημάτων έτσι ώστε να προσφέρουν στο χρήστη ένα τρόπο διαχείρισης της πληθώρας των δεδομένων που έχουν στη διάθεσή τους για την δημιουργία επιλογών. Τα συστήματα συστάσεων τυγχάνουν εφαρμογής σε πολλές και διαφορετικές περιπτώσεις που μπορούμε να συναντήσουμε στο διαδίκτυο. Μπορούν να χρησιμοποιηθούν σε κοινωνικά δίκτυα, σε διαδικτυακούς ιστότοπους αγορών, σε διάφορες εφαρμογές για μουσική, ταινίες, βιβλία και πολλά άλλα. Στην παρούσα διπλωματική εργασία επιχειρούμε να περιγράψουμε πως τα συστήματα συστάσεων χρησιμοποιούνται στο διαδικτυακό τόπο του κοινωνικού δικτύου Twitter προκειμένου να δημιουργήσουν συστάσεις για τους χρήστες του. Αρχικά ξεκινάμε με μια περιγραφή των κοινωνικών δικτύων και στη συνέχεια, γίνεται μια εκτενή αναφορά καθώς επίσης και αξιολόγηση των διάφορων ειδών συστημάτων συστάσεων που συναντούμε στη βιβλιογραφία. Έπειτα, επιχειρείται μια διεξοδική παρουσίαση των μεθόδων και των διάφορων αλγορίθμων που συναντάμε στο Twitter για την παραγωγή συστάσεων. Στην ανάλυσή μας έχουμε υιοθετήσει ένα διαχωρισμό των συστάσεων που συναντάμε στο Twitter ανάλογα με τη λειτουργία του, δηλαδή συστάσεις για followers, για followees, για tweets κτλ. Εν συνεχεία, ακολουθεί μια ανάλυση που σχετίζεται με τη σύγκριση διαφορετικών αλγορίθμων και κατ' επέκταση την αξιολόγησή τους αναφορικά με την εξαγωγή συστάσεων. Συγκεκριμένα συγκρίνουμε topology – based, content – based και collaborative filtering αλγορίθμους που χρησιμοποιούνται για την εξαγωγή συστάσεων. Τέλος, παραθέτουμε αναλυτικά τα συμπεράσματα στα οποία καταλήγουμε έπειτα από τη γενικότερη θεώρηση των παραπάνω θεμάτων και της ανάλυσης που έχει γίνει καθώς επίσης, δεδομένης και της σημαντικότητας του συγκεκριμένου πεδίου έρευνας, προτείνουμε περαιτέρω προτάσεις για ερεύνα και ανάλυση.

Social networks are nowadays found in all aspects of the daily social life of the individual. Therefore users of these social networks add up to millions. Within this chaotic map of users and social networks arises the problem of information overload, a problem that can be caused by the presence of too much information which users cannot cope alone and of course without the use of new technologies. The answer to the above problem that users face these days comes from the use of the recommender systems (Recommendation Systems). These systems come after many studies and hard work on the field of information systems in order to offer the users a way to manage the multitude of data available to them and ease the process of decision making. Recommendation systems are applicable in many different situations that we can find on the internet. They can be used in social networks, in online shopping sites in various applications for music, movies, books and more. In this dissertation we attempt to describe how recommender systems are used in the social network Twitter in order to make recommendations for its users. First we start with a description of social networks and then we make an extensive reference as well as evaluation of various kinds of recommender systems found in the literature. Then we attempt a comprehensive presentation of methods and different algorithms found in Twitter to generate recommendations. In our analysis we have adopted a separation of the recommendations found on Twitter based on their function, ie recommendations for followers, for followees, for tweets etc. Subsequently, follows an analysis associated with the comparison of different algorithms and therefore their evaluation in relation to the generation of recommendations. Specifically we compare topology - based, content - based and collaborative filtering algorithms used to derive recommendations. Finally, we present in detail the conclusions reached following the general consideration of the above issues and the analysis that has been done as well, given the importance of this research field, we propose recommendations for further research and analysis.