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。

2.1、微博用户社群分析 用户社群分析的目标是将社会网络划分为群组，即按照节点(用户)间的连边(关系)把节点划分成若干节点组，使得节点组内部的连边相对稠密，不同节点组之间的连边相对稀疏。社群分析研究假定一个社会网络 C表示期望的群体数 目，主要实现为每个节点用户 找到一个群体) ,满足 ，并使得社会网络的结构能够最大化程度地保持。 这一 目标体现着 “物以类聚、人以群分”的朴素思想，与图论和聚类有着非常紧密的联系 。

基于微博用户行为的时区预测，史学敏，张闯，本论文基于微博用户发表微博的时间数据建立了两个用户行为模型，即用户活跃度-时间模型及用户首条微博-时间模型，根据用户行为模�

2012年12月新浪微博5万条用户信息数据，可以作为机器学习和深度学习训练资料

突发事件下微博用户的情感演化机理研究。疫情作为研究对象，确定突发事件和事件发生、爆发、结束三个相关时间矢点，按三个时段利用并发技术进行数据采集。通过机器学习等方法分析突发事件的不同时段的微博用户情感倾向，建立相关模型。使用贝叶斯线性回归方程分析网络用户情感变化趋势，建立微博用户情感演变的动态分析模型。总结舆情演化生命周期的划分结果。

微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫微博爬虫

实现根据给定目标用户的微博UID,得到目标用户微博个人资料,保存到本地 依据目标用户微博UID抓取一定时期内目标用户所发(原创和转发)微博(包含图片、视频),保存到本地 依据所抓取目标用户微博内容、目标用户头像制作目标用户微博关键词词云 依据目标用户微博个人资料,制作目标用户个人电子名片 可视化目标用户日、月、年度微博点赞数、转发数 依据目标用户原创微博所@用户,可视化用户好友关系图 设置评论数阈值,爬取目标用户热门微博下热评 统计目标用户热门微博下热评次数较多用户,挖掘目标用户狂热粉丝

基于Python的微博用户关系挖掘研究.pdf

基于Python的新浪微博用户数据采集与分析.pdf

jQuery新浪微博用户评论表单代码是一款实用的用户评论回复交互式表单代码。