Advertisement

20万数据集——涵盖文本、时间、转推和回复关系及作者等信息的Twitter社交网络连接数据集，适用于链接预测与信息传播研究

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

简介：
这是一个包含20万条记录的数据集，涵盖了Twitter上的文本内容、发布时间、转发及回复关联以及用户信息，非常适合用于进行链接预测和信息传播的研究分析。 Twitter数据集包含20万条记录，每条记录包括文本、时间戳、转推关系、回复关系及作者等相关信息。该数据集中还包括了用户之间的转发连接等社交网络联系信息，适用于进行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、情感分析以及链接预测和信息传播等方面的研究。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 20万数据集——涵盖文本、时间、转推和回复关系及作者等信息的Twitter社交网络连接数据集，适用于链接预测与信息传播研究
    优质
    这是一个包含20万条记录的数据集，涵盖了Twitter上的文本内容、发布时间、转发及回复关联以及用户信息，非常适合用于进行链接预测和信息传播的研究分析。 Twitter数据集包含20万条记录，每条记录包括文本、时间戳、转推关系、回复关系及作者等相关信息。该数据集中还包括了用户之间的转发连接等社交网络联系信息，适用于进行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、情感分析以及链接预测和信息传播等方面的研究。
     
  • Twitter社交网络连接的数据集
    优质
    此数据集汇集了Twitter平台上的社交互动信息，包含用户间的关系与交流记录，为研究社交媒体影响及传播模式提供了宝贵的资源。 Twitter的社交网络连接数据集包含了用户之间的转发关系，可用于进行社交网络数据分析研究。
     
  • 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。
     
  • 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。
     
  • Spatio-Temporal Prediction: 本仓库涵盖时空数据处理与预测的相关论文、数据集及专家信息
    优质
    简介：该仓库汇集了关于时空数据分析和预测领域的关键论文、数据集及相关专家资料，为研究者提供全面资源。 Spatio-Temporal-Data 本仓库包含：时空数据处理、预测领域的相关论文；相关数据集；专家学者信息 Content          5. Experts 接触交流群或关注公众号进行交流。
     
  • 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。
     
  • 基于社交网络的Twitter推荐章节数据集.zip
    优质
    本数据集为研究Twitter上的用户行为和偏好而设计，包含大量经过标注的Twitter推荐信息，适用于社交媒体分析、个性化推荐算法开发等领域。 本数据集包含了Twitter用户的信息，并经过脱敏处理以保护隐私。该数据集包括用户的属性、社交圈（circles）以及ego网络（egonetwork）。共有81306个用户，涉及1768149条连边。 - **nodeId.edges**：文件中记录了每个节点ID的ego网络中的所有连接关系，其中该节点作为中心点。在Twitter上，关注关系是有方向性的，“a b”表示用户a关注b，并不意味着b也一定回关a。 - **nodeId.circles**：描述了每个用户的社交圈及其成员信息。每一行代表一个特定的社交圈子；第一列是该社交圈编号。 - **nodeId.feat**：此文件记录了出现在对应nodeId.edges中的所有用户属性特征，其中第一列为用户ID，其余各列为不同的属性维度，1表示拥有该属性，0则相反。 - **nodeId.egofeat**：提供每个节点的个人属性信息。 - **nodeId.featnames**：列出了各个属性名称及其类别。例如教育背景、生日等基本信息被列出但具体细节未公开。 引用文献为J. McAuley, J. Leskovec发表于NIPS 2012年的论文《Learning to Discover Social Circles in Ego Networks》（页码539-547）。数据集来源于斯坦福大学网络分析平台。
     
  • 链路预测基础数据集涵盖多样化的网络节点类型，如USAir、Twitter和Facebook等
    优质
    本数据集包含多种类型的网络节点信息，包括USAir、Twitter及Facebook等，为链路预测研究提供全面的基础支持。 链路预测基础数据集包含了多种网络节点类型，例如usair、推特和Facebook的数据。
     
  • 信息传播模型分析——基于社交网络的论文研究.pdf
    优质
    本论文探讨了在社交网络环境下信息传播的特点与规律，构建并分析了多种信息传播模型，旨在为优化信息传播效果提供理论依据。 随着社交网络的快速发展，对网络舆论的控制变得越来越重要。通过研究信息传播模型可以揭示信息在社交网络中的传播规律，并预测其发展趋势，因此这类研究具有重要的意义。针对经典传染病模型中存在的不足进行了分析，结合社交网络特有的拓扑结构特点，考虑到用户在网络中可能存在的不同感染状态，在原有的基础上引入了衰减函数来描述已经受到感染的用户的影响力变化情况，从而提出了一个更适合于社交网络传播的信息传播模型。 通过在真实电子邮件通讯网络中的仿真测试，并与其它多种信息传播模型的结果进行了对比分析后发现，该新提出的模型能够更准确地反映各种影响因素对信息在网络中传播过程的影响。研究结果表明，在不同的参数设置下（如衰减函数的具体形式等），所提出的信息传播模型可以显示出截然不同但又符合实际的传播趋势和规律。 综上所述，这种新的社交网络信息传播模型不仅能够更好地模拟现实中信息在社交媒体平台上的扩散情况，还为相关领域的研究提供了有价值的参考依据。
     
  • 中国车牌的数据集涵盖检测与识别信息
    优质
    本数据集包含了丰富的中国车牌图像样本，旨在支持车牌的自动检测和识别研究，助力智能交通系统的发展。 该数据集包含1200张训练图片、1000张测试图片以及近1000张用于识别车牌数字并带有标签的图片。