Advertisement

该实验数据集包含14万条微博数据，适用于社交网络分析、社区划分等研究，同时也可用于事件检测、链接预测以及影响力最大化方面的探索。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该数据集包含14万条来自Twitter的记录，这些记录涵盖了文本内容、时间戳、转发关系以及回复关系，同时还包含了作者信息等多种细节。它构成了一个Twitter社交网络连接的数据集，详细记录了Twitter平台用户之间的转发互动。该数据集可广泛应用于社交网络数据分析研究领域，例如异常行为检测、突发事件的识别与演化模型分析、情感倾向的评估、链接预测以及信息传播过程的追踪和理解。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 14万条微博的实验数据集——适用于社交网络分析、社区划分及事件检测、链接预测和影响力最大化等研究。
    优质
    本数据集包含14万条微博内容，旨在为社交网络分析提供全面支持，涵盖社区结构识别、热点事件追踪、用户间关系预测及关键信息传播路径探索等领域。 Twitter数据集包含14万条记录，包括文本、时间、转推关系、回复关系及作者等相关信息。该数据集中还包含了用户之间的社交网络连接信息，具体体现为用户的转发关系。此数据集可用于多种研究领域，如社交网络数据分析、异常检测与事件演化模型分析、情感分析以及链接预测和信息传播等。
     
  • 关于Boeing的数据集——适用于社交网络分析和社区划分，也可应用于事件检测、链接预测及影响力最大化等领域研究
    优质
    该数据集包含波音公司相关数据，适合进行社交网络分析与社区识别，并可用于探索事件检测、链接预测及影响者发现等课题。 主题为Boeing的数据集----可以用于社交网络分析或社区划分。用户微博之间的关系已经分别导出，可以直接导入gephi进行操作，也可用于事件检测、链接预测及影响力最大化等研究。
     
  • #Verzuz——包含15万条微博的实验数据集，适用于社交网络数据分析、异常检测、事件监测及演变模式分析、情绪分析和连接预测研究
    优质
    Verzuz是一个基于15万条微博构建的数据集合，专为社交网络数据分析、异常检测、事件演化模式识别、情感分析以及链接预测等研究领域设计。 Twitter数据集包含15万条记录，每条记录包括文本、时间戳、转推关系、回复关系以及作者等相关信息。该数据集中还包含了用户之间的转发关系，可用于社交网络数据分析研究、异常检测、事件检测与演化模型分析、情感分析及链接预测等方面的研究。此外，此数据集还能帮助研究人员了解信息在Twitter平台上的传播方式和模式。
     
  • 关于Tesla的Twitter数据集，适用于社区发现、链接预测和影响力最大化的研究
    优质
    本数据集收集了与Tesla相关的Twitter信息，旨在支持社区发现、链接预测及影响力最大化等领域的研究工作。 我已将Tesla的Twitter数据集中的用户微博链接导出，并可以将其导入Gephi进行测试研究。该数据集适用于社区发现、链接预测及影响力最大化等相关研究。
     
  • 6.5万条记录的Jamal Murray相关数据集，适用于社交网络数据分析、异常检测及情感分析研究
    优质
    该数据集包含超过6.5万条关于Jamal Murray的记录，适合用于社交网络数据分析、异常行为检测以及情感分析等领域的研究。 Twitter数据集包含6.5万条记录，每一条都包括文本、时间戳、转推关系、回复关系以及作者等相关信息。该数据集中还包含了用户之间的转发连接，适用于社交网络数据分析研究、异常检测、事件检测与演化模型分析、情感分析和链接预测等多个领域，并可用于探讨信息传播的特性。
     
  • 社交网络影响力的最优化研究
    优质
    本研究探讨如何通过策略和技巧提升个人或品牌在社交平台上的影响力，旨在帮助用户最大化利用社交媒介资源。 随着互联网技术的不断进步，社交网络得到了迅速发展。这使得基于大规模人群的社会影响力测量首次成为可能。在这一领域内，“影响力最大化问题”成为一个关键的研究课题。这个问题从最初的“口口相传”和“病毒式营销”，逐步演进到运用马尔科夫随机场模型进行研究，并逐渐成为了学术界的一个热门话题，吸引了众多学者的关注与参与。 他们提出了各种算法来解决社交网络中的影响力最大化问题。这一问题的核心在于识别出社会网络中最有影响力的节点集合，以便在市场营销活动中实现以最小的成本获得最大的回报。本段落首先介绍了有关社交网络影响力最大化的理论知识，并详细探讨了两种主要的影响力传播模型：独立级联模型（ICM）和线性阈值模型（LTM）。最后，基于经典的贪心算法提出了一种改进型算法来解决这一问题。
     
  • 社交网络中社区的检测与分析动态研究
    优质
    本研究聚焦于社交网络中的社区结构，探讨其识别、划分及演化规律，旨在为社交媒体管理和用户行为分析提供理论支持。 真实社会网络如邮件交流、科学合作以及对等网络都可以用图进行建模，并且可以从中发现社团演变的隐藏规律。尽管静态图中的社团挖掘已经被广泛采用，但基于动态图的研究还相对较少。通过使用时间序列的方法来研究动态图上的社团挖掘问题，包括社团检测与分析，我们提出了一种新的模型用于检测动态社团结构，并利用真实网络数据集进行了实验验证。
     
  • 社交网络影响力的最优化（用Python实现）与Wiki-Vote数据集
    优质
    本研究探讨了如何利用Python编程语言最大化个人或组织在社交网络上的影响力，并应用Wiki-Vote数据集进行实证分析。 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（包含详细注释） 2. LT模型改进算法-贪心算法代码实现（同样有详细注释） 源代码适用于学生或研究者，该方向的学生可以利用这些资源进行学习和实验。影响力最大化的应用场景非常广泛，包括但不限于病毒营销、推荐系统、信息扩散、时间探测、专家发现及链接预测等。 主要文件如下： - BAcreate.py - linear_threshold.py - linear_threshold_clime.py - LT_improve.py - test_linear_threshold.py - test_linear_threshold_clime.py - Wiki-Vote.txt
     
  • IMDb数据分析：基于前1000部电影数据集的社交网络研究
    优质
    本研究运用IMDb上排名前千名的影片数据，构建并分析了电影间的社交网络结构，旨在揭示影视作品之间的关联模式。 IMDB Top1000电影数据分析项目的目的是获取2006年至2016年间前1000部IMDb电影的数据集，并应用几种社交网络分析技术进行研究。项目中重点关注的三个主要图形包括：演员共现图、体裁关系图以及电影关系图。所有分析工作在Jupyter Notebook和Gephi软件中完成，用于生成并可视化这些图表。 该项目所需的所有数据都可通过相应的库获取。配置环境时，请确保使用Python 3.6.7，并执行以下命令安装所需的依赖： ``` pip install -r requirements ``` 之后就可以启动Jupyter Notebook进行进一步的操作了。
     
  • GN.rar_MATLAB网络划分与社区检测_基于边介数的社区划分matlab
    优质
    本资源提供了一种利用MATLAB实现基于边介数算法进行网络划分和社区检测的方法，适用于复杂网络分析研究。 在复杂网络的社区划分算法中，利用边介数的经典GN（Girvan-Newman）算法是一种常用的方法。该算法通过逐步移除具有最高介数的边来识别网络中的模块结构。随着每一步迭代，被删除的边将那些紧密相连的节点分离开来，从而形成独立的社区或子群落。这种方法能够有效地揭示出复杂系统内部的不同层次和规模上的社团组织模式，并且广泛应用于社会学、生物学以及计算机科学等多个领域中对网络数据进行分析研究。