演示网站： : 人人社交媒体完整项目 基于社交媒体应用程序的 MERN 堆栈项目。 这是完全可行的项目。 它的完全响应式应用程序。 MongoDB Express React Redux NodeJs 是这个项目的用户。 本项目包含的功能： 用户特点： 注册和登录用户。 可以使用相机或文件系统上传帖子图像。 每页分页。 黑暗模式。 复制帖子链接。 报告垃圾邮件帖子。 按用户名搜索其他用户。 用户建议菜单。 将任何帖子保存到收藏夹。 保存的帖子页面。 删除帖子和评论。 包括管理面板。 探索页面以查看随机用户的其他帖子。 通知页面。 个人资料页。 编辑个人资料页面用户数据。 密码以加盐加密格式存储在数据库中。 创建和编辑帖子。 喜欢，评论，分享和编辑帖子。 帖子包括文本（标题）和图像。 对帖子发表评论。 回复评论。 像彗星。 清除通知选项。

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。

Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks的实现代码+数据源，免去下载数据这一步

CS579社交网络分析项目 如今，人们对汽车的评价不仅仅基于其价格和折旧。 拥有成本是一个关键因素。 一个最大的汽车网站 Edmunds.com 提出了 TCO 的想法，这意味着真正的拥有成本。 它会计算您在考虑下一次购买车辆时可能未计入的额外成本，包括：折旧、贷款利息、税费、保险费、燃料成本、维护和维修。 在本项目中，我们将首先通过 Edmunds API 从 Edmunds 收集评论数据。 然后尝试利用几个现有的分类和回归模型来完成机器学习过程。 最后，我们将比较我们从测试集得到的结果，并得出 TCO 价格与客户评论之间的联系的结论。 会员贡献 Jiaqi Chen : 收集数据、逻辑回归、textblob、报告 Xingtan Hu : 收集数据，伯努利/高斯朴素贝叶斯，报告 路晓阳：收集资料，PPT 此作业中包含的文件 ./Collect_data.ipynb 通过 Edmun

社交情感分类旨在预测嵌入在由各种用户贡献的在线评论中的情感React的聚合。 这样的任务具有固有的挑战性，因为从自由文本中提取相关语义是一个经典的研究问题。 此外，在线评论通常以稀疏的特征空间为特征，这使得相应的情感分类任务非常困难。 另一方面，尽管由于深度神经网络具有将稀疏的低级特征转换为密集的高级特征的能力，因此已被证明对语音识别和图像分析任务有效，但它们在情感分类上的有效性仍需进一步研究。 本文报道的工作的主要贡献是开发了一种新型的语义丰富的混合神经网络（HNN）模型，该模型利用无监督的教学模型将语义域知识整合到神经网络中，以引导其推理能力和可解释性。 据我们所知，这是将语义纳入神经网络以增强社交情感分类和网络可解释性的第一个成功工作。 通过基于三个现实世界社交媒体数据集的实证研究，我们的实验结果证实，提出的混合神经网络优于其他最新的情感分类方法。

社会力量模型 Social force model for pedestrian dynamics Dirk Helbing and Péter Molnár Phys. Rev. E 51, 4282 – Published 1 May 1995 安装并运行 # install from PyPI pip install ' socialforce[test,plot] ' # or install from source pip install -e ' .[test,plot] ' # run linting and tests pylint socialforce pytest tests/ * .py Ped-Ped-Space方案 紧急行车道，有30名行人： 有60名行人的紧急行人通道： Ped-Ped方案

Social-STGCNN：用于人类轨迹预测的社会时空图卷积神经网络 阿卜杜拉·穆罕默德·昆茜 Mohamed Elhoseiny **，Christian Claudel ** **平等建议 阅读全文，在 社会-STGCNN 我们提出了社会时空图卷积神经网络（Social-STGCNN），该模型将人类轨迹预测问题建模为时空图。 我们的结果表明，与先前报道的方法相比，最终位移误差（FDE）较现有技术提高了20％，平均位移误差（ADE）的改进比参数减少了8.5倍，推理速度提高了48倍。 此外，我们的模型具有较高的数据效率，仅使用20％的训练数据就超出了ADE指标上的现有技术水平。 我们提出了一个核函数，将行人之间的社交互动嵌入邻接矩阵中。 仅使用7.6K参数，我们的模型推断速度为0.002s /帧（500Hz）。 Citaion 您可以使用以下方法引用我们的论文： @inprocee

中间团结 Nakama服务器的Unity客户端。 是旨在为现代游戏和应用程序提供动力的开源服务器。 功能包括用户帐户，聊天，社交，媒人，实时多人游戏。 该客户端基于端构建，具有Unity Engine的扩展名。 它要求在编辑器中设置.NET4.6脚本运行时版本。 完整的文档在线 入门 您需要先设置服务器和数据库，然后才能与客户端连接。 最简单的方法是使用Docker，但请参阅中的其他选项。 安装SDK 安装并运行服务器。 请按照以下。 安装Unity SDK。 您有三个选择。 要使用正式发行版，您可以从下载.unitypackage或.tar并将其导入到您的项目中。 如果选择了.t

使用Spring Boot实施社交登录 目标 Google和Github登录实施 另存为日志文件 使用@ControllerAdvice进行全局异常处理 =>在将来的项目中轻松使用社交登录 开发环境 Java11的 Spring启动2.4.5 H2数据库

Android社交聊天 Android实现校园社交app，校园导航，定位。学生留言功能教学楼食堂等等留言的实现。 如果你想看运行是的程序截图，请点击： : 或者进入android-run-picture文件