在在线社交网络中的虚拟社区检测领域，大多数现有方法经常从单一角度检测社区，而忽略了网络相关特性对社区检测的影响。 所有这些降低了社区划分结果的可解释性和准确性。 为了解决这个问题，提出了一种在线社交网络的虚拟社区检测模型框架。 该模型框架考虑了影响社区检测结果的三个关键因素：结构特征，属性信息和节点对网络的影响程度。 提出的模型不仅是现有社区检测模型的映射，而且是为社区检测方法设计更多未来模型的参考。

如今，网络欺凌已成为一项重要的社会挑战。 网络欺凌会影响一个人的心理和情感方式。 因此，需要设计一种方法来检测和防止社交网络中的网络欺凌。 大多数现有的网络欺凌方法仅涉及文本检测，很少有方法可用于分析视觉检测。 在这项拟议的工作中，将检测多模型网络欺凌，例如音频、视频、图像以及社交网络中的文本。 网络欺凌图像将使用计算机视觉算法进行检测，该算法包括图像相似性和光学字符识别 (OCR) 两种方法。 网络欺凌视频将使用镜头边界检测算法进行检测，其中视频将被分成帧并使用其中的各种方法进行分析。 提议的框架还支持识别社交网络中的网络欺凌音频。 最后，使用分类器将网络欺凌数据分为身体欺凌、社交欺凌和言语欺凌。

iwebSNS是一款功能强大且易于扩展的LAMP开源社交网络平台。 它基于iweb SuperInteraction(简称iweb SI)框架开发。借助iwebSI平台，站点可以轻松获得支持热插拔及快速增加新节点的集群计算与处理能力（分布式计算与存储/高可用性/负载均衡），以方便管理web2.0类站点持续增长的数据量。SI的web层、db层负载均衡，基于内存的分布式缓存系统、dfs（分布式文件系统）、分布式数据存储等可以轻松支持站点拥有服务于百万甚至千万级庞大用户群的能力，并且不管这些交互式服务的请求是来自计算机还是移动终端。 另外，Jooyea技术团队还提供了一个轻量级的支持库，这使iwebSNS也可以轻松部署在虚拟主机上。 iwebSNS为站点用户提供一个友好易用的个人信息和消息管理ajax界面。通过它，建站者可以轻松构建一个以好友关系为核心的交流网络，让站点用户可以通过空间、日志、动态、好友圈、群组、相册、站内信、留言板、心情等功能模块记录、展示和分享生活；了解好友动态。 如果你已经拥有大用户群，想向SNS方向扩展；或者你想部署一个能满足用户持续快速增长，并且平滑实现规模化的SNS站点，那么iwebSNS正适合你。

兴趣点（point-of-interest，POI）推荐是基于位置的社交网络（location-based social networks，LBSN）中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量、用户个性化程度低的问题，提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI，形成初步候选集；综合考虑POI的类别、流行度及用户的社会行为，增加用户个性化的程度，提高推荐结果的质量。在Foursquare真实签到数据集上的实验证明了提出的联合推荐算法与目前先进的算法相比，准确率提高11%，召回率提高8%。

随着移动设备，全球定位系统（GPS）和Web 2.0技术的飞速发展，基于位置的社交网络（LBSN）吸引了数百万用户共享丰富的信息，例如体验和提示。 兴趣点（POI）推荐系统在LBSN中扮演重要角色，因为它可以帮助用户探索有吸引力的位置，并帮助社交网络服务提供商设计针对兴趣点的位置感知广告。 在本文中，我们对LBSN中兴趣点推荐的任务进行了简要调查，并讨论了兴趣点推荐的一些研究方向。 我们首先描述兴趣点推荐的独特特征，该特征将兴趣点推荐方法与传统推荐方法区分开来。 然后，根据整合的附加信息的类型。利用POI推荐算法的签到数据，将POI推荐算法分为四类：基于纯签到数据的POI推荐方法，地理影响力增强POI推荐方法，社会影响力增强的POI推荐方法和时间影响增强的POI推荐方法。 最后，我们讨论了兴趣点推荐的未来研究方向。

挖掘社交网络 Mining.the.Social.Web

Google云计算时代的社交网络平台和技术 共70页.ppt

总结了最近学习的几个社交网络中的社区发现算法

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。

六度分隔(Six Degrees of Separation)理论。1967年，哈佛大学的心理学教授Stanley Milgram(1933-1984)想要描绘一个连结人与社区的人际连系网。做过一次连锁信实验，结果发现了“六度分隔”现象。简单地说：“你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过六个人你就能够认识任何一个陌生人。