weibograph.txt

该数据集包含227,122行，每行代表微博网络中两个用户之间的连接。每行数据分为四列，前两列是用户ID，第三列是两用户间的转发数，第四列是一个列表，包含发起用户的四种情绪（愤怒、厌恶、高兴、悲伤）的微博数量。

This dataset comprises 227,122 rows, each representing a connection between two users within the Weibo network. Each row of data is divided into four columns: the first two columns contain user IDs, the third column indicates the number of reposts between the two users, and the fourth column is a list that includes the number of Weibo posts made by the initiating user under four emotions (anger, disgust, happiness, sadness).

原始信息汇总

数据集概述

数据集名称

• Emotion-Correlation-Network

数据集描述

• 该数据集用于探索微博网络中情绪的相互作用。
• 包含227,122行数据，每行代表两个用户之间的连接。
• 每行数据分为四列：两个用户的ID、他们之间的转发数（连接强度）、以及发起用户的情绪反应列表，包括愤怒、厌恶、高兴和悲伤四种情绪的微博数量。

数据集用途

• 用于计算特定距离下的用户对之间的情绪相关性，并分析该相关性随距离的变化趋势。

数据集文件

• weibograph.txt：包含227,122行数据，每行表示一条用户连接，详细记录了用户ID、转发数和情绪数据。

分析方法

• 初始化数据库：使用MongoDB存储最短路径长度数据。
• 加载图数据：从文件中读取用户连接和情绪数据，构建图结构。
• 存储最短路径长度：计算并存储图中所有节点对之间的最短路径长度。
• 计算特定距离下的情绪相关性：对于给定的图距离h，使用bootstrap方法计算情绪数据的相关性。

结果分析

• 情绪相关性随距离的变化率显示不同趋势，愤怒和高兴情绪在短距离内相关性较强。
• 厌恶情绪的相关性变化最为稳定，表明其在社交网络中的传播受外部因素影响较小。
• 社交网络结构对情绪相关性有显著影响，尤其是在较远的社交距离中，情绪相关性普遍降低。

搜集汇总

数据集介绍

构建方式

该数据集通过分析微博网络中的用户互动，构建了一个包含227,122条用户连接的数据集。每条记录不仅包含了两个用户之间的连接关系，还详细记录了他们之间的转发次数以及发起用户的情绪反应。具体而言，数据集中的每行数据由四列组成：前两列表示有连接关系的两个用户，第三列表示他们之间的转发数，第四列则是一个列表，包含了发起用户的四种情绪（愤怒、厌恶、高兴、悲伤）的微博数量。通过这种方式，数据集不仅捕捉了用户间的社交互动，还量化了情绪在社交网络中的传播。

特点

该数据集的显著特点在于其结合了社交网络结构与情绪分析，提供了用户间情绪传播的量化数据。每条记录不仅包含了用户间的连接强度，还详细记录了发起用户的情绪反应，使得研究者能够深入探讨情绪在社交网络中的传播机制。此外，数据集通过计算用户间的最短路径长度，进一步揭示了情绪相关性随社交距离变化的趋势，为研究情绪在不同社交距离下的传播提供了丰富的数据支持。

使用方法

使用该数据集时，研究者可以通过加载图数据并构建用户间的连接关系，进一步计算特定距离下的情绪相关性。具体步骤包括初始化数据库、加载图数据、存储最短路径长度以及计算特定距离下的情绪相关性。通过这些步骤，研究者可以分析情绪在不同社交距离下的传播规律，并探讨社交网络结构对情绪传播的影响。此外，数据集还支持使用bootstrap方法计算情绪数据的相关性，从而提供更为稳健的统计结果。

背景与挑战

背景概述

在社交媒体研究领域，情绪传播与社交网络的相互作用一直是备受关注的课题。weibograph.txt数据集由227,122条用户连接数据组成，每条数据记录了两个用户之间的转发关系及其情绪反应。该数据集的核心研究问题在于探索微博网络中情绪的相互影响，特别是愤怒、厌恶、高兴和悲伤四种情绪在用户间的传播模式。通过分析用户间的转发行为及其情绪反应，研究者能够揭示情绪在社交网络中的传播规律，进而为情绪干预和社会心理研究提供重要依据。

当前挑战

该数据集面临的挑战主要集中在情绪相关性的计算与社交网络结构的复杂性上。首先，情绪相关性的计算需要处理大规模的用户数据，并考虑不同情绪在不同社交距离下的传播模式，这对计算资源和算法效率提出了较高要求。其次，社交网络的动态性和复杂性使得情绪传播的稳定性分析变得复杂，尤其是在不同社交距离下，情绪相关性的变化趋势难以预测。此外，数据集的构建过程中，如何准确捕捉用户的情绪反应并将其与社交行为关联，也是一个技术上的挑战。

常用场景

经典使用场景

weibograph.txt数据集的经典使用场景在于探索微博网络中用户情绪的相互影响。通过分析用户之间的转发关系及其情绪反应，研究者能够揭示不同情绪在社交网络中的传播模式。具体而言，该数据集可用于计算特定距离$h$的用户对之间不同情绪的相关性，并分析这些相关性随距离变化的趋势。

解决学术问题

weibograph.txt数据集解决了社交媒体中情绪传播的学术研究问题。通过量化用户间情绪的相关性，研究者能够深入理解情绪在社交网络中的传播机制，揭示情绪如何随用户距离的变化而变化。这一研究不仅有助于揭示情绪传播的规律，还为社交媒体情绪管理提供了理论基础。

衍生相关工作

基于weibograph.txt数据集，研究者已开展了一系列相关工作，包括情绪传播模型的构建、社交网络结构对情绪传播的影响分析等。这些工作进一步拓展了情绪传播的研究领域，为社交媒体情绪管理提供了丰富的理论和实践支持。相关研究成果已在多个学术会议上发表，并引起了广泛关注。