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。

基于JavaWeb的论坛项目，提供API供前端调用，支持安卓、JSP、HTML等调用

在线社交网络上的谣言检测研究最后一年研究项目的源代码。 抽象 这项研究旨在确定诸如Twitter和Facebook之类的在线社交网络上谣言的关键特征。 鉴于互联网作为新闻来源的普及性以及互联网上信息的不断增长，自动识别谣言的重要性正变得越来越重要。 开发了一组定性和定量指标，以更好地了解每个搜索查询的特征及其生成的结果数据集。 定量指标表明数据集的大小，而定性指标则评估数据集的新闻/谣言纯度和上下文纯度。 指标将指示数据集从数据集中剖析不同上下文所需的预处理工作量，并使其对进一步分析更加有用。 利用计算机科学和社会科学的现有文献，进行了三个实验： 数据集的总体情绪概况是什么？ 在以谣言为中

这个代码写了社交网络的中心度分布，如度中心性、接近中心性、中介性、特征向量中心性等，还涉及有权无向的有权度，用python实现，包括datafram一系列用法，如何将dataframe两列写入图中，如何创建图，如何画图等。

使用python进行社交网络分析

Twitter数据集20万条包括文本，时间，转推关系、回复关系，作者等一系列信息，Twitter的社交网络连接数据集，包含Twitter当中的用户转发关系。可以用于社交网络数据分析研究、异常检测、事件检测与演化模型分析、情感分析、链接预测，信息传播等方面的研究

影响力最大化 库： JGraphT库（图论数据结构和算法的Java库） JUNG（Java通用网络/图形框架） 随机图生成模型： 问题定义：社交网络中的影响最大化问题寻找出一组节点，这些节点可以将信息传播给最大数量的成员。 该项目包含我题为： 在这项工作中，我们提出了一种以幂律图为重点的方法来加快Kempe算法的速度。 改进包括预先选择最有希望的节点。 为此，我们探索了幂律图的一些性质以及社会影响力与程度分布之间的关系。 我们已经通过实验分析证实，这种预选可以减少运行时间，同时又能保证解决方案的质量。 提出的算法的源代码在这里： src/algoritmos/PrevalentSeed.java