标签: social-networking

我必须在Ruby on Rails上构建一个社交网站.网站中的功能可能会不时变化; 所以我们需要轻松添加/删除功能.此外,我们可能正在建立另一个社交网站.由于这些原因,我们正在考虑为RoR中的社交网站构建一个基本框架,其功能是安装或卸载框架的扩展.

我之前在Joomla工作过!CMS及其用于添加/删除扩展的体系结构正是我所关注的.在Joomla!安装通常有一个管理员端,您可以从中添加/删除/自定义扩展.

我是RoR的新手,发现很难决定如何做到这一点.任何帮助将不胜感激.

我打算画一个有向图(面向节点).图中的节点是动态生成的.我想知道是否有任何好的js库可以解决我的问题.边缘和权重需要自定义配置.

谢谢,迪帕克.

我有兴趣在我的一些网站上添加Twitter最近发布的官方推文按钮.

对于那些不知道的人,推文按钮是一个简单的JS,您可以将其放入页面,它允许您的用户轻松推文有关页面,就像facebok"共享"按钮.

有3种不同的款式可供选择:

水平计数按钮是我想要放在我的页面上的按钮.我的问题是我的大约一半的页面可能没有计数,而且在这种情况下我宁愿不显示计数.例如,Facebook分享按钮可以很好地处理这种特殊情况 - 如果有> 0份分,那么它会显示计数.否则计数将保持隐藏状态.

我已经浏览了twitter文档,似乎无法找到在JS参数中指定它的方法.

我还花了一些时间尝试通过jquery捕获计数并隐藏它,但很快就遇到了跨域权限问题 -

console.log($('.twitter-share-button').contents().html());

Permission denied由于从中加载iframe而返回错误platform0.twitter.com.

有没有人找到一个成功的方法来让这个按钮有条件地显示如上所述的推文计数？

经典社交网络可以表示为图形/矩阵.

使用图形/矩阵可以轻松计算

• 两个参与者之间的最短路径
• 可达性从A - > B
• 一般统计(互惠,平均连接等)
• 等等

是否存在理想的数据结构(或图形/矩阵的修改),可以在识别时间的同时轻松计算上述内容？

例如,

输入

t = 0 ... 100

• A < - > B(t = 0 ... 10)
• B < - > C(t = 5 ... 100)
• C < - > A(t = 50 ... 100)

示例查询

• A是否随时与B相关联？(是)
• A与B相关联而B与C相关联吗？(是的.@ t = 5 ... 10)
• C是否可以从A到达(是的.@ t = 5)

对于一个项目,我们正在寻找一种从其他站点导入小工具(朋友列表,待办事项列表等)的机制,这是OpenSocial应该擅长的.但是,我担心OpenSocial是否已经死亡.自2009年4月以来,OpenSocial 0.9的许多API页面都没有更新.我所看到的最近的一些更新只是垃圾邮件发布廉价德国药品的链接(例如,请参阅此历史页面).

OpenSocial还活着吗？或者像许多其他宏伟的想法一样,它被抛弃到互联网的浪费？

我只是想知道facebook可以发布多少个db查询来呈现用户的主页.有没有人对facebook DB的设计有所了解.我听说它运行MySql并且有数千个副本以及比DB服务器更多的内存缓存服务器.

facebook数据是否被shard-ed？

如果是,它会转到每个分片并搜索我朋友的最新更新.在最坏的情况下,如果我有100个朋友,并假设facebook有101个分片,那么我的朋友可能会使用不同的分片.facebook怎么可能处理这个？

我会非常感激,如果有人能提供我SEOM提示或指针朝着类似"如何设计社交网站一个DB".我只是好奇!

我在过去的国会期间建立了参议院投票模式的强制导向布局.基于将至少75%的时间投票在一起的任何两位参议员连接起来,有102个节点和2,600个边缘:

我已经使用了电荷,重力和linkDistance的系数,希望找到一个节点不会过于聚集或人为分离的最佳点.使用linkDistance创建的空间比连接两个集群的四个红色节点之间的逻辑空间大得多.不设置linkDistance会导致两个群集相距很远.

是否有基于边缘密度或任何其他社交网络分析指标选择正确值的指导原则？

当前布局定义是:

var force = d3.layout.force()
    .nodes(d3.values(nodes))
    .links(d3.values(links))
    .size([width - 2 * margin, height - 2 * margin])
    .charge(-80)
    .gravity(0.25)
    .linkDistance(50)
    .on("tick", tick)
    .start();

谢谢!

更新:这在jsFiddle上有点复杂,但可以随意在GitHub上克隆或分叉.

我想在linkedin上发布数据,因为我正在使用共享工具包,

我正在创建新的应用程序,我在我的应用程序中使用那些api密钥和秘密密钥,但当我点击登录然后它工作正常按钮,当我点击发布按钮我得到如下的错误.

<error>
  <status>403</status>
  <timestamp>1362741300174</timestamp>
  <request-id>QK7HOT1CT3</request-id>
  <error-code>0</error-code>
  <message>Access to posting shares denied</message>
</error>

我不知道我哪里出错了,请提前帮助我.

我LinkedIn在我的iOS应用程序中使用.我想保存访问令牌以供将来使用.

令牌属于非属性类型,无法直接保存NSUserDefaults.我尝试使用NSKeyedArchiver这个,但我得到了输出:

Token===oauth_token "(null)" oauth_token_secret "(null)" oauth_verifier "(null)"

令牌中的文本即将发布,但值将为空.

代码段1:

-(void)saveData :(LOAToken *)token
{
    NSFileManager *filemgr;
    NSString *docsDir;
    NSArray *dirPaths;

    filemgr = [NSFileManager defaultManager];

    // Get the documents directory
    dirPaths = NSSearchPathForDirectoriesInDomains(
                                                   NSDocumentDirectory, NSUserDomainMask, YES);

    docsDir = [dirPaths objectAtIndex:0];

    // Build the path to the data file
    NSString *dataFilePath = [[NSString alloc] initWithString: [docsDir
                                                                stringByAppendingPathComponent: @"data.archive"]];

    [NSKeyedArchiver archiveRootObject:
     token toFile:dataFilePath];
}


-(LOAToken *)GetToken
{
    NSFileManager *filemgr;
    NSString *docsDir;
    NSArray *dirPaths;

    filemgr = [NSFileManager …

我正试图获得有针对性的加权网络的中心度量.我一直在使用igraph和tnet包R.但是,我发现使用这两个软件包获得的结果存在一些差异,我对这些差异的原因有点困惑.见下文.

require(igraph)
require(tnet)
set.seed(1234)

m <- expand.grid(from = 1:4, to = 1:4)
m <- m[m$from != m$to, ]
m$weight <- sample(1:7, 12, replace = T)
igraph_g <- graph.data.frame(m)
tnet_g <- as.tnet(m)

closeness(igraph_g, mode = "in")

         2          3          4          1 
0.05882353 0.12500000 0.07692308 0.09090909 

closeness(igraph_g, mode = "out")

         2          3          4          1 
0.12500000 0.06250000 0.06666667 0.10000000 

closeness(igraph_g, mode = "total")

         2          3          4          1 
0.12500000 0.14285714 0.07692308 0.16666667 


closeness_w(tnet_g, directed = T, alpha = 1) …