本文对 Instagram 上分享的 hashtag 进行了首次大规模实证分析，揭示了从时空、语义和社会维度出发的一系列发现，其中包括时序模式可划分为四个不同群集、语义位移较大的 hashtag 有不可忽略的比例、用户分享较均匀的 hashtag 不易语义位移。最后，作者提出了一个双向图嵌入模型以总结用户的 hashtag 概要，并基于这些概要进行好友预测，证明 hashtag 具有强大的社交信号。

May, 2019

研究分析了 2012 年美国总统辩论期间 256 个新兴 hashtags 的生长、生存和背景，发现基于话题性、交互性、多样性和知名度的 “对话活力” 框架可捕捉 hashtags 的动态。统计分析结果显示，转发可以促进 hashtags 更快地被采用，回复对 “优胜者” 的生命周期有延长作用，但对 “落后者” 无影响，这些结果对于更好地理解社交媒体中的社会影响力和集体行动具有重要的启示和影响。

Mar, 2013

研究使用 Twitter 的用户，如果评论多个话题，比专注于一个话题的用户更容易获得高影响力。同时通过检测话题社区，量化用户和标签的话题多样性、相似性，可以预测早期采用者和标签的多样性与未来流行的 hashtags 有关。这项研究发现，多样性的信息和专注的沟通者更容易获得影响力。

Feb, 2014

本文研究社交媒体上的热点话题，提出了四种触发器类型以及一种基于社交特征的分类方法，能够有效分类趋势并提供给终端用户，帮助新闻机构及时发现突发新闻。

Mar, 2014

本文介绍了一种上下文感知的方法来分割并链接 Hashtags 中的实体到知识库中，以便通过提供 Hashtags 中实体的分割和链接信息提高推文中的实体链接的总体效果。

Jan, 2015

通过图分析和文本数据流，本文分析了 2018 年至 2022 年期间 #mybodymychoice 标签的漂移现象，揭示了年度快照中的标签社群，并提供了关于研究中发现的一些标签的见解，显示出该标签在观点和情感模式上随时间的变化，尤其是在 2021 年以疫苗接种和与 Covid-19 相关的话题方面的显著漂移。

Feb, 2024

该研究使用 BLL 公式设计了一个以时间为中心的 BLLi,s 算法，用于推荐标签并结合时间因素进行预测，结果表明 BLLi,s 相比于其他推荐算法具有更准确的预测和排序结果。

Jan, 2017

研究 Twitter 中的社交互动，发现其驱动力源于较稀少且隐藏的连接网络，而非显性的朋友和关注者关系。

Dec, 2008

该研究使用 HITS 算法，根据影响力分离数据集，分析了 Twitter 上具有影响力和不具有影响力的用户之间的差异，并采用主题建模揭示了这两个群体在比特币方面的语言和兴趣上的差异。我们发现少数用户（0.72%）代表了大多数（80%）比特币言论的权威性。

Mar, 2023

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016