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.

2021-2027全球与中国LBSNS（基于位置的社交网络服务）市场现状及未来发展趋势.docx

基于社交网络的社交行为分析.pdf

Linear_Threshold 社交网络影响力最大化算法（线性阈值算法以及改进算法） 1、Python 实现社交网络影响力最大化 Linear_Threshold（线性阈值模型）算法。 2、对线性阈值模型算法进行优化改进，实现贪心算法。 3、代码中有详细注释说明，测试代码，测试节点数据集，并对数据集进行处理，输出测试结果。 4、代码实现环境：Python2.7, Anoconda2,Pycharm2017。

无线互联切入点：影响力营销社交网络个性化定制服务.docx

People increasingly use social networks to manage various aspects of their lives such as communication, collaboration, and information sharing. A user’s network of friends may offer a wide range of important benefits such as receiving online help and support and the ability to exploit professional opportunities. One of the most profound properties of social networks is their dynamic nature governed by people constantly joining and leaving the social networks. The circle of friends may frequently change when people establish friendship through social links or when their interest in a social relationship ends and the link is removed. This book introduces novel techniques and algorithms for social network-based recommender systems. Here, concepts such as link prediction using graph patterns, following recommendation based on user authority, strategic partner selection in collaborative systems, and network formation based on “social brokers” are presented. In this book, well-established graph models such as the notion of hubs and authorities provide the basis for authority-based recommendation and are systematically extended towards a unified Hyperlink Induced Topic Search (HITS) and personalized PageRank model. Detailed experiments using various real-world datasets and systematic evaluation of recommendation results proof the applicability of the presented concepts.

从真实的新浪微博数据中分析用户的转发行为,提取了用户特征、微博特征、交互特征和结构特征等4个方面的影响转发行为的因素。通过实证分析各个特征对转发行为的具体影响,并利用机器学习中的不同预测算法对用户是否会对给定主题的微博产生转发行为进行预测。实验表明,用我们选取的因素,结合逻辑回归模型对于用户转发行为的预测更加准确。