Gowalla（美国微博）好友关系数据集和签到数据集

最新推荐文章于 2024-07-11 21:36:01 发布
最新推荐文章于 2024-07-11 21:36:01 发布
阅读量9.7k 收藏 23
点赞数 4
分类专栏： 大数据 城市规划 社交网络 文章标签： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/danlingting0477/article/details/116671787
版权
本文提供Gowalla社交平台的好友关系和签到数据集，包括196,591用户的950,327条好友关系及6,442,291条签到记录，涉及用户ID、签到时间、地点经纬度等详细信息。数据可用于大数据分析。" 120938229,10824016,C#窗体应用：使用PictureBox与ImageList展示和切换图片,"['C#', 'Windows应用开发', '图形用户界面']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

数据内容：Gowalla（美国微博）好友关系数据集和签到数据集
（1）好友关系数据
好友关系数据集涵盖了196,591个用户的950,327条好友关系，每一条记录表示两两对应的朋友关系。
（2）签到数据集
在签到数据集中，每个用户的每一次签到记录作为一条记录，签到的具体属性分列表示。每条签到记录包括用户ID，签到时间，签到地点的纬度，签到地点的经度，以及每个地点的经纬度所唯一对应的地点ID。其中用户的ID一一对应每个用户，经纬度精确到小数点第六位。注意到在Gowalla提供的签到信息数据集中原始记录共有6,442,892条记录,但删除重复记录后共计6,442,291条记录，此时用户数量为107092。
QQ：3109537875
下载网站：https://data.yunshudu.com/detail.html?id=10107

 

最低0.47元/天 解锁文章
RankGeoFM方法中FourSquare和Gowalla数据集处理
07-12
该资源为正在研究推荐系统的人们提供了FourSquare和Gowalla两大数据集，是经过处理过的，被用于RankGeoFM方法试验对比。有需要的可以下载
gowalla.zip
08-27
基于位置的移动社交网络数据集：gowalla,可用与机器学习模型训练。Gowalla is a location-based social network created in 2009: consists of 196,591 nodes and 950,327 edges, its users check-in at places through their mobile devices. Checkins are Shared with friends: As a consequence, friends can check where a user is or has been. Go
Light-GCN数据集
qq_29717841的博客
12-29 1907
1>关于Light-GCN所使用的数据集----Gowalla 数据内容包括：好友关系数据集和签到数据集（好友关系数据集未使用，以下只介绍签到数据集） 图 1 在签到数据集中，每个用户的每一次签到记录作为一条记录，签到的具体属性分列表示。每条签到记录包括用户ID（User-ID）、签到时间（Check-in Time）、签到地点的维度（Latitude）、签到地点的经度（Longitude）、以及每个地区的经纬度所唯一对应的地点ID（Location-ID）。其中，用户ID一一...
用pandas对gowalla数据集的切分
zhao254014的博客
04-05 3973
推荐系统的数据处理：（gowalla数据集） 原数据大约3万用户，4万交互物品 更改为大约2000用户，前1万物品 主要目的是在练习算法时可以加快速度，到最后测试时在用大的数据集跑
Gowalla数据集
03-17
此数据集为gowalla上2011年9月至2011年12月 329839个用户间1679245条社交好友关系和访问过的poi的记录，以及所访问的地点的类型分类
经典gowalla数据集，csv中包含用户id、地点id、经度、纬度、时间字段
01-29
经典gowalla数据集，csv中包含用户id、地点id、经度、纬度、时间字段，python科研使用数据集
学习笔记
m0_56727265的博客
02-08 3298
（1）提出了多模内容信息融合的兴趣点推荐模型。针对冷启动兴趣点推荐问题，本文提出了深度多模排序学习推荐模型（ＤＭＲＬ），该模型是一个概率生成模型，将挖掘到的多模内容信息以紧耦合方式融合到贝叶斯个性化排序学习框架（ＢＰＲ）。首先，创建了时间依赖和空间约束的用户偏好模型，挖掘用户行为的时间动态性和空间依赖性；其次，设计了深度多模网络，从兴趣点的文本内容和视觉图片中挖掘兴趣点的语义表示，通过正则化项方式与ＢＰＲ框架的融合搭建兴趣点的多模态内容信息和隐式反馈之间的桥梁，以任务驱动和有监督学习方式提取不同模态数据的语
Gowalla.zip
02-04
有5个文件夹：locations.csv、network.csv、position_embedding.csv、user_embedding.csv、userlocation.csv 包含有用户签到的用户编号、POI编号、时间戳、经纬度、POI所属的城市编号
matlab美颜代码-gowalla-exp:基于轨迹的gowalla数据集分析和实验
05-24
matlab美颜代码gowalla-exp 基于轨迹的gowalla数据集分析和实验。 背景 这项以戈瓦拉（Gowalla）为中心的实验是使用地理数据推断用户之间的社交力量的一个示例。 该数据集的一个优点是它提供了可以用作友谊关系的基础事实的在线社交网络。 档案结构 我的模拟代码遵循我个人一贯的风格。 src-所有Java仿真程序 matlab-所有的matlab绘图脚本 python-所有中间日期过程脚本 sqlscirpts-（不建议使用）在模拟器编码的开头，我计划使用MySQL数据库。 但是后来我放弃了这个想法。 img-（不建议使用）Java生成的一些png图像 所有其他折叠和txt文件都包含中间模拟结果 维基项目 现在这个项目有一个。 它说明了每个组件的功能，并提供了一个复制实验结果的演练。
实验数据集--14万条微博数据，可以用于社交网络分析/社区划分等，也可以用于事件检测、链接预测、影响力最大化等方面研究。
09-11
Twitter数据集14万条包括文本，时间，转推关系、回复关系，作者等一系列信息，Twitter的社交网络连接数据集，包含Twitter当中的用户转发关系。可以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、链接预测，信息传播等方面的研究
63641个用户的新浪微博数据集（包括微博信息，微博转发关系，用户信息，用户好友关系等数据）.rar
03-22
63641个用户的新浪微博数据集（包括微博信息，微博转发关系，用户信息，用户好友关系等数据）.rar
Facebook 签到数据
07-11
3_KNeighbors 建模所使用的数据 - Facebook 签到数据
机器学习：常用数据集汇总
haoji007的博客
08-15 3742
前言 对机器学习中一些常用数据集进行汇总，欢迎评论区提供数据。多多收藏、点赞 注：其中有些链接是用的他人分享的数据，如果作者不希望这样使用，请私信告诉我，谢谢 # pima-indians-diabetes # 详情：美国国立糖尿病消化与肾病研究所搜集的皮马印第安部落中21岁以上女性的数据。 样本包括9个特征的768个观测值（768 × 9）。 下载数据：https://archive.ics.uci.edu/ml/mac...
基于本地化差分隐私的空间数据近似k-近邻查询
最新发布
weixin_70923796的博客
07-11 1138
本地化差分隐私保护技术通常要求用户本地编码与扰动自己的数据，把扰动之后的数据汇报给收集者，从而使个人隐私不被泄露.本地化差分隐私的形式化定义如下所示.定义1. ε-本地化差分隐私.给定一个随机算法M及其定义域Dom(M)和输出值域Range(M)，若M在任意2条不同空间点pi与pj(pi,pj∈Dom(M))上得到相同输出结果O(O∈Range(M))的概率满足不等式：(1)则M满足ε-本地化差分隐私.其中,ε为隐私预算.本地化差分隐私通常具有序列组合性质.
【recbole】数据集Gowalla: RuntimeError: selected index k out of range
chriix的博客
04-02 1959
此时这个Gowalla.inter文件就在你的gowalla-data的文件夹中，直接复制这个文件或者是直接改读取数据集的路径即可。即创建这个名叫gowalla-data的文件夹，创建好后到这个路径中去找这个文件夹，此时是空的。模型跑的时候自动打出来的信息，看的出来数据集应该是明显有问题的（Gowalla数据集）复制这一行到终端，即可以下载这个gowalla的数据集，且直接转换成原子文件。在网盘中下载了几次都发现了这个问题，怀疑是源文件或者是原子文件有问题，于是。出现以下红字不用管他，说明已经创建好了。
微博用户关系经验总结
weixin_42388220的博客
02-05 273
产生1000万条数据* eg:格式user1:user2,user3,user4 1.在产生用户的信息的时候，我们一般会用数字来表示，对于遍历用户，或者排序，都会比较方便 2.当生产数据，和写入数据的速度不匹配的时候，我们可以采用多线程写入不同的文件，我们可以使用生产者消费者模式 3.当我们的文件是一行是固定的，想要快速的定位文件，我们可以把文件转化为二进制文件，直接随机读写，会很快 4.有的时候加载到内存不一定比一行一行的读写快 5.当数据量大的时候，调整数据结构，并不能解决问题，必须要拆分，合并 6.在
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值