这是一款类似于Twitter网站的源代码。利用原代码，你可以快速搭建自己的社交网络平台。程序语言是PHP。数据库采用Mysql。与此同时系统带有注册，评论，转发等功能。注册用户可以分享他 仿Twitter源代码 社交网络源码 基于脉聊二开版本 这是一款类似于Twitter网站的源代码。利用原代码，你可以快速搭建自己的社交网络平台。程序语言是PHP。数据库采用Mysql。与此同时系统带有注册，评论，转发等功能。注册用户可以分享他们的图片视频，或者创建投票的。同时系统自带ffmpeg功能上传视频会自动获取封面。还自带域名解析功;分享网址会抓取网站的描述和标题。配合后台管理面板，你可以快速设置所有的一切 第1步 上传源代码到网站的根目录 第2步 导入数据库文件 第3步 修改数据库信息和域名 完成以上操作，你就可以打开你的域名访问网站了，默认的管理员账号admin@qq.com密码mmmmmm 其他相关修改 网站的logo和图标地址在themesdefaultstaticsimg文件夹里面你可以替换你的图标或logo。

1、内容概要：社交网络影响力最大化（Python实现）及Wiki-Vote数据集。（1）线性阈值模型（LT模型）代码实现（代码有详细注释）；（2）LT模型改进算法-贪心算法代码实现（代码有详细注释）； 2、源代码适用于学生或研究者等人，该研究方向的学生可以对源代码及相关论文进行学习实验。 3、影响力最大化的应用场景十分丰富，包括病毒营销，推荐系统，信息扩散，时间探测，专家发现，链接预测等。 4、主要文件有：BAcreate.py，linear_threshold.py，linear_threshold_clime.py，LT_improve.py，test_linear_threshold.py，test_linear_threshold_clime.py，Wiki-Vote.txt。

【优化算法Matlab代码】资源存储库-第二期-社交网络搜索算法(SNS + 工程应用)Social+Network+Search+for+solving+engineering+problems.zip 社交网络搜索算法(Social Network Search,SNS)是于2021年提出的一种新型智能优化算法，算法主要模拟了用户表达意见时的行为：模仿、对话、争论和创新，这些是人们在进行社交时的真实行为。四种情绪被用作优化操作符，用于模拟用户如何受到影响并激励他们分享他们的新观点。

在基于位置的社交网络中使用众包数据探索影响力最大化

基于社交网络的热点事件潜在意见领袖识别方法

数据 来自史诗叙事的一些社交网络数据集。 数据位于带有以下标题的制表符分隔的文件中： 角色\ t友善的边缘\ t敌对的边缘 一些数据集分为几章，请查找以下列其中之一开头的行： ％Scene或％Chapter或％Book 其他一些带有一些随机信息的行也将以“％”开头，因此在创建网络时请忽略这些行。 节点可以基于不同场景/章节中的外观而具有多个边缘（不幸的是，没有冰岛人Sagas的权重数据）。 顶点也可以对同一顶点同时具有敌对边缘和友好边缘。 敌对链接通常被定义为当两个人物在叙述中战斗时。 我从“ TheTáin”开始，主角Cúchulainn杀死了许多角色，但与他们没有其他互动。 我想以某种方式表示这种情况，因为它是一种互动，但是与标准的社交互动有很大的不同。 因此，通常来说，如果两个角色彼此讨厌并一直争论，那么他们仍然会获得“友好的优势”，并且只有在他们进行身体搏斗或一个人杀死另一个

在在线社交网络中的虚拟社区检测领域，大多数现有方法经常从单一角度检测社区，而忽略了网络相关特性对社区检测的影响。 所有这些降低了社区划分结果的可解释性和准确性。 为了解决这个问题，提出了一种在线社交网络的虚拟社区检测模型框架。 该模型框架考虑了影响社区检测结果的三个关键因素：结构特征，属性信息和节点对网络的影响程度。 提出的模型不仅是现有社区检测模型的映射，而且是为社区检测方法设计更多未来模型的参考。

如今，网络欺凌已成为一项重要的社会挑战。 网络欺凌会影响一个人的心理和情感方式。 因此，需要设计一种方法来检测和防止社交网络中的网络欺凌。 大多数现有的网络欺凌方法仅涉及文本检测，很少有方法可用于分析视觉检测。 在这项拟议的工作中，将检测多模型网络欺凌，例如音频、视频、图像以及社交网络中的文本。 网络欺凌图像将使用计算机视觉算法进行检测，该算法包括图像相似性和光学字符识别 (OCR) 两种方法。 网络欺凌视频将使用镜头边界检测算法进行检测，其中视频将被分成帧并使用其中的各种方法进行分析。 提议的框架还支持识别社交网络中的网络欺凌音频。 最后，使用分类器将网络欺凌数据分为身体欺凌、社交欺凌和言语欺凌。

iwebSNS是一款功能强大且易于扩展的LAMP开源社交网络平台。 它基于iweb SuperInteraction(简称iweb SI)框架开发。借助iwebSI平台，站点可以轻松获得支持热插拔及快速增加新节点的集群计算与处理能力（分布式计算与存储/高可用性/负载均衡），以方便管理web2.0类站点持续增长的数据量。SI的web层、db层负载均衡，基于内存的分布式缓存系统、dfs（分布式文件系统）、分布式数据存储等可以轻松支持站点拥有服务于百万甚至千万级庞大用户群的能力，并且不管这些交互式服务的请求是来自计算机还是移动终端。 另外，Jooyea技术团队还提供了一个轻量级的支持库，这使iwebSNS也可以轻松部署在虚拟主机上。 iwebSNS为站点用户提供一个友好易用的个人信息和消息管理ajax界面。通过它，建站者可以轻松构建一个以好友关系为核心的交流网络，让站点用户可以通过空间、日志、动态、好友圈、群组、相册、站内信、留言板、心情等功能模块记录、展示和分享生活；了解好友动态。 如果你已经拥有大用户群，想向SNS方向扩展；或者你想部署一个能满足用户持续快速增长，并且平滑实现规模化的SNS站点，那么iwebSNS正适合你。

兴趣点（point-of-interest，POI）推荐是基于位置的社交网络（location-based social networks，LBSN）中一项重要的服务。针对目前推荐算法存在的噪声数据影响推荐质量、用户个性化程度低的问题，提出了一种个性化联合推荐算法。提出了引入POI的位置因素去除不可能或可能性较小的POI，形成初步候选集；综合考虑POI的类别、流行度及用户的社会行为，增加用户个性化的程度，提高推荐结果的质量。在Foursquare真实签到数据集上的实验证明了提出的联合推荐算法与目前先进的算法相比，准确率提高11%，召回率提高8%。