复杂网络 | 社交媒体话题和人物共现

无论是国内的微博，还是国外的推特，其帖子中不乏带有 #keyword# 这样的 hashtag 和 @somebody 这样的 user 的格式内容，将每一条帖子中同时出现的 hashtag 或 user 视为一次链接，构建 hashtag 之间和 user 之间的关系矩阵，然后导入 Gephi 软件进行复杂网络分析，是非常普遍的研究手段，本文将介绍如何自动化这一过程，已部署至网页：

https://weibo-crawl-visual.buyixiao.xyz/weibo-topic-user-matrix-extractor

以 当人们在讨论 ChatGPT 时，都在讨论什么 中共享的 ChatGPT.csv 数据集为例，只需要在上面的网页中上传这个 csv 文件，就能实时生成 这个 ChatGPT 帖子讨论中的 hashtag 话题和 user 人物共现可视化矩阵，结果文件为 Gephi 所需的 nodes.csv 和 edges.csv 和前 Top-N 权重连边的 NxN 矩阵 csv，以及网络可视化图 html 文件。

nodes.csv、edges.csv 和 top_N_matrix.csv

echarts 实现的网络可视化

以及顺带的一些基本的复杂网络分析：度分布、度度相关性、核度分布和集聚系数等基本统计特征

类似地，同时生成的 user 人物共现可视化结果如下：

Top-N 矩阵可以自定义 N 的大小。

总的来说，上传一个包含 content 列的社交媒体帖子的 csv 文件，就能同时生成人物和话题共现网络，人物和话题各 3 个 csv 文件和 1 个 html 文件，共 8 个文件，构建结束即时下载压缩后的结果 zip 文件。

地址：

https://weibo-crawl-visual.buyixiao.xyz/weibo-topic-user-matrix-extractor