社交网数据库技术分析.doc

Faceless 是一款开源的匿名社交应用。与目前流行的其他匿名应用不同的是——它是一款开源项目！无需注册帐号，无需使用其他社交帐号帐号登录，也不需要使用Email或密码，完全开放。 Google Play : https://play.google.com/store/apps/details?id=im.delight.faceless Main screen Message details Adding messages 标签：Faceless

随着社交网络的蓬勃发展，网络舆论的控制变得越来越重要。信息传播模型能够揭示信息传播的规律，从而达到对传播过程进行预测的目的，因此社交网络信息传播模型的研究具有重要意义。针对经典传染病模型的不足进行了分析，结合社交网络的网络拓扑特点，考虑了网络中用户的不同感染状态，引入感染用户的衰减函数，提出了适合社交网络的信息传播模型。在真实e-mail网络中进行模型仿真，对比分析了不同模型的结果，研究了模型中各个影响因子对传播过程的影响。结果表明，不同的模型参数反映了传播趋势的差异，模型反映出的传播规律更符合信息在现实网络中的传播过程。

asp.net社交交友网站，采用了ASP.NET技术开发。后台数据库是sqlsever 。

安全技术-网络信息-面向移动社交网络中朋友发现的隐私保护技术研究.pdf

在社交媒体谣言检测问题上, 现有的基于特征表示学习的研究工作大多数先把微博事件划分为若干个时间段, 再对每个时间段提取文本向量表示、全局用户特征等, 忽略了时间段内各微博间的时序信息, 且未利用到在传统机器学习方法中已取得较好效果的文本潜在信息和局部用户信息, 导致性能较低. 因此, 本文提出了一种基于分层注意力网络的社交媒体谣言检测方法. 该方法首先将微博事件按照时间段进行分割, 并输入带有注意力机制的双向 GRU 网络, 获取时间段内微博序列的隐层表示, 以刻画时间段内微博间的时序信息; 然后将每个时间段内的微博视为一个整体, 提取文本潜在特征和局部用户特征, 并与微博序列的隐层表示相连接, 以融入文本潜在信息和局部用户信息;最后通过带有注意力机制的双向 GRU 网络, 得到时间段序列的隐层表示,进而对微博事件进行分类. 实验采用了新浪微博数据集和Twitter数据集,实验结果表明,与目前最好的基准方法相比,该方法在新浪微博数据集和 Twitter 数据集上正确率分别提高了1.5% 和1.4%,很好地验证了该方法在社交媒体谣言检测问题有效性.

安全技术-网络信息-面向可信用户和主题社区的社交网络在线话题识别方法研究.pdf

源码简介与安装说明： 简单的社交评论、社交圈子、社交信息交换应用小程序模板下载

跨社交媒体的用户链接- 从用户个人资料和用户生成的内容中提取特征，并判断两个帐户是否属于社交媒体上的同一用户

安全技术-网络信息-组织的社交网络平台对组织认同影响的实证研究.pdf