社交媒体智能手机应用 用React Native编写的社交媒体应用程序。 应用需要连接到使用postgresql创建的数据库。 该应用程序的主要目标是将参与附近同一事件的用户配对（“ tinderlike”用户向右滑动以喜欢一个人，然后向左滑动以拒绝）。 一旦允许配对的用户互相发短信，创建新事件并在他们的墙上添加帖子。 用户还可以个性化他们的个人资料：更改个人资料照片，个人信息，描述等。

市场趋势预测 这是一个构建知识图谱课程的项目。 该项目利用历史股票价格，并整合了来自客户的社交媒体，以预测道琼斯工业平均指数（DJIA）的市场趋势。 数据周期：2016年8月1日至2017年10月31日。DJIA数据范围：2016年8月1日至2017年11月30日。数据来源：Business Insider（记录号：2,017），Reddit finance（4,383），facebook（11,528） ），雅虎财经（10,478），Twitter（24,271）结构数据：Facebook，Twritter。 预测结果 请。 请引用。 T+1 Prediction

基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip输入处理文本点击生成经过后端处理将传输来的结果（关键词）进行图例化处理，呈现更好的观感：如词云、和柱形图。 提交的文件及用户注册信息都保存在后端数据库中。具体信息如下： 用户表 type：类型，管理员为1，普通用户为0 文件表 file_url:上传的txt文件，保存在media/uploads refile_url:根据关键词txt文件生成的json文件，保存在media/change time:上传时间 user_id:上传的用户id， 安装教程基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip基于深度学习的社交媒体语言关键词生成系统源码（毕业设计）.zip

来自社会媒体数据的实时洞察-数据科学案例研究 这是来自社交媒体数据的实时洞察-简单数据科学案例研究 此数据科学案例研究遵循以下步骤： 本地和全球思维模式 美化输出 寻找共同的趋势 探索热门趋势 深层发掘 频率分析 围绕趋势活动 千言万语的人民 分析使用的语言和各种推文来源 中等文章链接： :

visualization-echarts 社交媒体大数据挖掘大作业 数据可视化部分

为预测某条微博的具体转发者，在微博是否会被转发的研究基础上，提出了基于社交网络拓扑结构、用户行为及用户间关联三个层面的逻辑回归分类算法，并针对该算法进行真实数据集检测。实验结果表明，该预测算法与未考虑网络拓扑结构的算法相比性能显著提升，为实现社交媒体信息传播轨迹精准预测打下了重要基础。

基于BERT的德语社交媒体文本情感分析，李澜，叶勇超，德语语法复杂,语序多变,造成其社交媒体文本情感分析难度较大,相关研究较少。为解决以上研究难点,本文分析了德语及其社交媒体文本��

社交媒体运营应该知道的61个关键指标.pdf，这是一份不错的文件

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。