新浪微博的语义资料。

随着网络的飞速发展，微博逐渐成为社交网络中信息传播及信息收集的重要平台，微博转发是微博信息传播的重要途径，研究微博转发问题对微博信息传播、微博营销、舆情监控有着极其重要的意义.影响微博转发的主要因素有：粉丝兴趣与微博文本的相似度，微博营销策略及用户粉丝数量的变化.以往的预测模型没有综合考虑这两方面因素，基于此，提出了一种基于循环神经网络的方法来对微博转发量级进行预测，首先利用SIM-LSTM模型构建微博转发趋势度，然后再利用TF-IDF构建粉丝兴趣和微博文本的相似度，最后通过神经网络模型来预测粉丝是否会转发该微博.实验结果表明本文提出的算法相对于其他预测算法F1评估值提高了近5%.

python3.7 使用requests库模拟新浪微博登录。由于新浪对于用户账号和密码使用特殊加密，此程序使用base64对用户名进行编码和rsa2对password进行编码，亲测完成登录。

基于BA无标度网络模型，融合微博用户网络的特征，构造一种微博谣言传播网络模型。提出一种新的SIR（susceptible-infected-removed）模型，通过数值仿真探讨微博谣言的传播动力学行为。研究表明，当微博用户规模以及节点间新建连接数量不断增大时，微博谣言的最终感染程度显著增大，网络的传播临界值却大幅降低。研究还发现，拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。

微博用户影响力分析作为社交网络分析的重要组成部分,一直受到研究人员的关注。针对现有研究工作分析用户行为时间性的不足和忽略用户与参与话题之间关联性等问题,提出了一种面向微博话题的用户影响力分析算法——基于话题和传播能力的用户排序(TSRank)算法。

以微博为代表的社交平台是信息时代人们必不可少的交流工具.挖掘微博文本数据中的信息对自动问答、舆情分析等应用研究都具有重要意义.短文本数据的分类研究是短文本数据挖掘的基础.基于神经网络的Word2vec模型能很好的解决传统的文本分类方法无法解决的高维稀疏和语义鸿沟的问题.本文首先基于Word2vec模型得到词向量，然后将类别因素引入传统权重计算方法TF-IDF （Term Frequency-Inverse Document Frequency）设计词向量权重，进而用加权求和的方法得到短文本向量，最后用SVM分类器对短文本做分类训练并且通过微博数据实验验证了该方法的有效性.

1000个男头像微信头像QQ头像微博头网络头像真实头像压缩包，共大吉下载。图片来自网络，侵权请留言

基于安卓Android的新浪微博系统毕业课程设计源码：实现了微博信息的展示，发送微博，发布评论，显示好友信息等！ 基于安卓Android的新浪微博系统毕业课程设计源码：实现了微博信息的展示，发送微博，发布评论，显示好友信息等！

随着Internet技术的迅速发展，网络舆情监控系统正在得到广泛应用。网络舆情监控系统的数据量也急速膨胀，如何高效地存储和管理这些海量的非结构或半结构化数据成为网络舆情系统研发中的挑战课题。传统的关系数据库和分布式计算等数据处理的方式也越来越不能适应日益增长网络大数据。针对微博数据的特点建立了一种面向微博舆情应用的Hadoop存储平台的多层体系架构，并采用列数据库设计多种微博结构化数据的表结构，以及表之间的关系模型。测试结果表明，设计的存储管理平台具有检索响应速度快、可扩展性好等特点。

自然语言处理+2020年初微博数据（疫情相关）+适用于nlp、数据挖掘模型训练