利用社交网络大数据进行用户影响力分析，有助于识别网络环境中影响力强的用户实现其社会和商业价值。传统方法无法高效处理海量社交网络数据，定量准确地分析用户影响力，为解决该问题，提出一种基于PageRank算法的改进的用户影响力评价模型。综合考虑了用户连接程度和活跃程度，并以支持大规模并行图计算的Spark GraphX为工具，快速高效地实现了微博用户影响力的定量分析与评价。实验结果表明，所提方法效率更高，得到的用户影响力结果更接近真实情况。

CSV文件，也可以导入数据库，数据集较小，三个社区，一共40-50个用户

商业计划 - 【校园社交】青年社交网络项目-升级的本⼟化中国版Facebook.pdf

七月在线python数据分析代码，社交网络分析、可视化、分布式计算。

Boeing数据集分析--可以用于社交网络分析/社区划分，用户微博之间的关系我都已经分别导出，可以自己导入gephi中进行操作

SNA techniques are derived from sociological and social-psychological theories and take into account the whole network (or, in case of very large networks such as Twitter -- a large segment of the network). Thus, we may arrive at results that may seem counter-intuitive -- e.g. that Jusin Bieber (7.5 mil. followers) and Lady Gaga (7.2 mil. followers) have relatively little actual influence despite their celebrity status -- while a middle-of-the-road blogger with 30K followers is able to generate tweets that "go viral" and result in millions of impressions. O'Reilly's "Mining Social Media" and "Programming Collective Intelligence" books are an excellent start for people inteseted in SNA. This book builds on these books' foundations to teach a new, pragmatic, way of doing SNA. I would like to write a book that links theory ("why is this important?", "how do various concepts interact?", "how do I interpret quantitative results?") and practice -- gathering, analyzing and visualizing data using Python and other open-source tools.

网课-现代社交与礼仪--网上单元测试答案

网课-新媒体与社会性别--网上单元测试答案

文中以新浪微博为研究对象,以分析新浪微博的信息转发与传播特征为研究目的,并对传播行为进行预测.在获取大量新浪微博在线数据的基础上,对各种可能影响用户转发行为的因素进行统计、分析,挖掘各种影响因素特征并进行建模.提出基于用户属性、社交关系和微博内容三类综合特征,使用机器学习的分类方法,对给定微博的用户转发行为进行预测.基于微博网关注关系拓扑,利用概率级联模型对给定微博的转发路径进行预测,为预测微博的影响范围提供依据.文中通过实验分析了新浪微博符合复杂网络特征、社交类特征对转发行为有重要影响,并验证了传播预测的有效性.

【数据说明】本数据是Twitter用户的信息，包含了用户的属性、社交圈（circles）和egonetwork，数据已被做了脱敏处理。数据共有81306个用户和1768149条连边。 nodeId.edges：用户nodeId的egonetwork中的所有连边，nodeID是此egonetwork的中心节点。Twitter中的朋友关系是有方向的，比如文件中的一行元素为“a b”，就表示a关注了（follow）b，这不意味着b一定关注了a。注：nodeId并不出现在这些连边列表中，但是中心节点nodeId关注了此文件中的所有id。 nodeId.circles：用户nodeId所在的社交圈（circle），以及社交圈内的所有其他成员。每一行数据对应一个社交圈；第一列元素表示社交圈的编号。 nodeId.feat：该文件描述了在对应的nodeId.edges文件中所有出现用户的属性特征。第一列元素是用户id；从第二列开始，对应到不同维度的属性，1表示用户拥有这个属性，0则表示没有。 nodeId.egofeat：用户nodeId的属性特征。 nodeId.featnames：属性特征的名称。提供了属性特征的类别，比如教育信息、生日信息等，但是更详细的信息就被隐藏掉了。 【使用说明】需要引用J. McAuley, J. Leskovec. Learning to Discover Social Circles in Ego Networks. NIPS 2012, pp. 539-547. 【源数据出处】斯坦福大学网络分析平台