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。

分享了社交网络搜索算法源代码及其原文

云平台存储和处理大规模社交网络数据的日益普及，如果我们不注意使用云平台的方法，隐私泄露将成为一个严重的问题。 本文提出了一种分布式k自同构算法和一种分布式子图匹配方法，该分布式k自同构算法可以通过添加噪声边缘来确保k自同构和分布式，从而有效地保护云平台中社交网络的隐私。子图匹配方法可以快速获得临时子图匹配结果。 将临时结果加入后，我们可以根据客户端中k自同构图和k自同构函数的对称性，通过对临时结果进行恢复和过滤来获得正确的结果。 我们还提出了一种改进的方法，该方法利用增量思想来解决动态子图匹配的问题。 实验表明，上述方法对于处理大规模社交网络图问题是有效的，并且可以有效解决子图匹配的隐私泄露问题。

采用java技术构建的一个管理系统。整个开发过程首先对系统进行需求分析，得出系统的主要功能。接着对系统进行总体设计和详细设计。总体设计主要包括系统功能设计、系统总体结构设计、系统数据结构设计和系统安全设计等；详细设计主要包括系统数据库访问的实现，主要功能模块的具体实现，模块实现关键代码等。最后对系统进行功能测试，并对测试结果进行分析总结。 包括程序毕设程序源代码一份，数据库一份，完美运行。配置环境里面有说明。

针对现有社区发现算法存在社区质量不满足图可视化要求和算法效率低的问题, 提出一种改进的启发式社 区发现算法. 该算法基于模块度优化, 通过结合预先选取种子节点的方法, 抑制算法中大社区的过度合并, 同时及时 合并小的社区; 然后针对力导引布局算法存在社区结构不明显和布局效率低问题, 提出一种展示大规模社区结构的 社区布局算法, 通过引入社区引力促使同一社区中的节点聚拢, 优化了社区引力建模, 简化了布局算法步骤. 实验结 果表明, 文中算法能够清晰、高效地展示大规模社交网络数据.