这款工具可以批量将全景图转换为可以上下左右调整视角的VR图像 可以直接上传社交媒体，只要网站支持VR格式图片就可以直接在网页上观察到效果。

一款响应式的社交媒体，电影视频播放，视频资源分享网页模板。最适合视频，电影，评论和流媒体。 这个模板有一个可怕和强大的功能，观众可以喜欢和不喜欢。有很多独特的功能，可以帮助您建立任何类型的视频网站。 无论是游戏、电影、新闻、娱乐、评论、科学等。这个模板很容易修改、定制。

SharePy 关于 是一个具备一定能力的社交媒体网站。 这是我学习如何使用Flask，MongoDb，javascript和Jquery的一个有趣的项目。 无论如何，您都可以在这里签出网站： : 特征 现在它没有很多功能。 但是这些是它的基本功能： 用户登录/注册 用户帐户页面 添加和阅读帖子 能够追踪其他用户 去做 这些是我以后一直试图（或计划）添加的功能： 用户跟随某人时发出的通知 用户的供稿，其中仅包含他们关注的用户发表的帖子 能够为用户设置个人资料图片 与用户聊天的能力 发表评论 Upvote和Downvote功能可对帖子进行排名投票 我在用什么？ 用于后端服务器的Python Flask MongoDb作为数据库 前端使用纯html / css / javascript 与服务器通信的Ajax

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.

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

社交媒体文本中的情感分析，运用了情感字典和机器学习的方法.zip

社交媒体文本中的情感分析，运用了情感字典和机器学习的方法

2020年疫情下的中国社交媒体价值分析报告.pdf

基于循环神经网络的社交媒体情感分析和可视化 博文情感挖掘

Updog.in Live：https://updog.in Updog是具有Reddit风格的内容聚合网站。 用户可以创建帐户以共享帖子，并创建评论。 帖子可以进行加价和减价，用户可以在其帖子中获得业力。 Thi Updog.in在线：https://updog.in Updog是具有Reddit风格的内容聚合网站。 用户可以创建帐户以共享帖子，并创建评论。 帖子可以进行加价和减价，用户可以在其帖子中获得业力。 该项目是作为学习经验而构建的，旨在了解构建reddit克隆所需要的内容。 前端是使用Vue.js和TypeScript构建的。 后端由ASP.NET Core和PostgreSQL数据库提供支持。 在建筑方面明智的项目坚持清洁的建筑