社交网络真实数据集

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

目前很多科研需要用到复杂网络数据集，在本文中提供了来自已发论文中使用到的真实网络数据集，并且提供简单的python脚本构建每个数据对应的网络结构。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、什么是社交网络？

社交网络是指通过互联网或其他信息技术手段建立起来的、基于个人或组织之间相互联系和交流的平台。它允许用户创建个人资料、分享信息、发布内容、与他人建立联系，并参与各种社交活动，如聊天、评论、点赞等。社交网络的核心是构建人际关系和扩大社交圈子，通过在线平台将人们连接起来，促进信息传播和社交互动。常见的社交网络包括Facebook、Twitter、Instagram等。社交网络的应用领域广泛，涵盖了个人社交、商业推广、信息传播、娱乐等方面。

二、社交网络数据集

1.产品评价网络（Epinions）

Epinions是一个产品评论者网络。
网站上的每个用户都可以发布任何产品的评论，其他用户会对评论进行信任或不信任。在这些数据中，我们创建了一个与信任和不信任关系相关的审稿人网络。该数据集由 131828 个用户和 841372 个关系组成，其中约 85.0% 是信任关系。数据集可用于推断用户之间的信任关系。
1表示信任，-1表示不信任

person id	person id	relationship type
0	1	-1
4	2281	1

产品评价网络

// @Author：Max
import networkx as nx
import pandas as pd
dates = pd.read_csv('epinions.txt',delimiter='\t',header=None)
//读取前两列
df=dates.iloc[1:, :2]
df.to_csv('epinions1.txt',sep=' ',index=0,header=0)
G = nx.read_edgelist('epinions.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
print(G)

2.斜杠关系网络

Slashdot是一个朋友网络。Slashdot是一个分享技术相关新闻的网站。2002年，Slashdot推出了Slashdot动物园，允许用户将彼此标记为“朋友”（喜欢）或“敌人”（不喜欢）。
该数据集由77357个用户和516575个关系组成，其中76.7%是“朋友”关系。该数据集可用于推断用户之间的“朋友”关系，并研究积极和消极的影响。、
1表示朋友关系、 -1表示敌人关系 前两个为id号

id	id	relationship type
0	1	-1
0	22	1

斜杠关系网络

// @Author：Max
import networkx as nx
import pandas as pd
dates = pd.read_csv('Slashdot.txt',delimiter='\t',header=None)
//读取前两列
df=dates.iloc[1:, :2]
df.to_csv('epinions1.txt',sep=' ',index=0,header=0)
G = nx.read_edgelist('epinions.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
print(G)

3.演员网络

基于 2004 年 imdb 数据。节点代表演员，如果相应的演员一起制作了至少一部电影，则连接两个节点。专为电视制作、直接转视频和视频游戏的参赛作品已被移除。预处理数据由Hawoong Jeong提供。id1代表演员序号，id2代表演员序号。

id	id
0	97500
0	290039

// @Author：Max
import networkx as nx
G = nx.read_edgelist('actor.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
print(G)

4.协作网络

基于arXiv预印本档案的凝聚物物理类别的科学合作网络，涵盖1993年2003月至2007年1月期间。每个节点代表一个作者，如果两个节点在数据集中共同创作了至少一篇论文，则两个节点将连接起来。

5.电话网

节点代表手机用户的样本，如果他们在观察期间至少互相呼叫过一次，它们就会连接。数据集包含来自（Song et al， 2010）的最活跃用户的子集。数据由宋朝明提供。

6.引用网

APS期刊的引用网络（物理评论快报，物理评论和现代物理学评论）。每个节点代表一篇论文，如果 A 引用 B，则有一个定向链接将节点 A 连接到节点 B。

7.电子邮件

电子邮件网络基于德国基尔大学 112 天收集的流量数据。每个节点都是一个电子邮件地址，如果 A 向 B 发送了至少一封电子邮件，则从节点 A 到节点 B 有一个定向链接。

8.万维网

节点表示域 nd.edu 下圣母大学的网页，定向链接表示它们之间的超链接。1999年收集的数据。

代码展示

// @Author：Max
import networkx as nx
//协作网络数据
G = nx.read_edgelist('collaboration.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
//电话网络数据
G = nx.read_edgelist('phonecalls.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
//引用网络数据
G = nx.read_edgelist('citation.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
//电子邮件数据
G = nx.read_edgelist('email.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
//万维网
G = nx.read_edgelist('internet.edgelist.txt', delimiter=' ', create_using=nx.DiGraph(), nodetype=str)
print(G)

4-8下载地址

三、其他网络数据集

1.Fujiki Y, Yakubo K. Identification of intrinsic long-range degree correlations in complex networks[J]. Physical Review E, 2020, 101(3): 032308.

文章链接

代码

// @Author：Max
import networkx as nx

# All the following networks are regarded as undirected networks

G = nx.read_edgelist('p2p-Gnutella04.txt', comments='#', create_using=nx.Graph()) 
# G = nx.read_edgelist('Internet (AS level) (1).txt', create_using=nx.Graph())
# G = nx.read_edgelist('Internet (AS level) (2).txt', comments='%', create_using=nx.Graph())
# G = nx.read_gml('as-22july06.gml')
# G = nx.read_edgelist('Google+ (NIPS).txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('Email-Enron.txt', comments='#', create_using=nx.Graph())
# G = nx.read_edgelist('web-baidu-baike-related.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('brightkite_edges.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('facebook-wosn-links.txt', comments='%', create_using=nx.Graph(), data=False)
# G = nx.read_edgelist('ca-AstroPh.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('youtube.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('Coauthor (2).txt', comments='#', create_using=nx.Graph())
# G = nx.read_edgelist('Actor.txt', create_using=nx.Graph())
# G = nx.read_edgelist('CA-CondMat.txt', comments='#', create_using=nx.Graph())
# G = nx.read_edgelist('ego-twitter.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('WWW (2).txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('Internet (router level).txt', create_using=nx.Graph())
# G = nx.read_edgelist('web-Stanford.txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('WWW (4).txt', comments='%', create_using=nx.Graph())
# G = nx.read_edgelist('Protein folding.txt', comments='#', create_using=nx.Graph(), data=False)
# G = nx.read_edgelist('amazon.txt', comments='%', create_using=nx.Graph())

2.Chen D, Su H, Wang X, et al. Finite-size scaling of geometric renormalization flows in complex networks[J]. Physical Review E, 2021, 104(3): 034304.

文章地址

数据来源

Gnutella：http://snap.stanford.edu/data/

AS：http://snap.stanford.edu/data/as.html

CAIDA：http://snap.stanford.edu/data/as-caida.html

Cond-Mat：

http://www-personal.umich.edu/~mejn/netdata/

Socfb：https://networkrepository.com/socfb

IG5、TF、Rajat、Cage、Maragal：

https://networkrepository.com/misc.php

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了复杂网络数据以及社交网络数据集来源。