恶搞图片池的竞争与成功:Quickmeme.com 的案例研究
通过构建计算机管道以研究多模态的字符与视觉元素构成的表情包,发现在不同社区之间存在有意义的表情包使用的社会差异,且这些社区内的表情包创新与文化适应模式与书面语言的先前研究结果相吻合。
Nov, 2023
本研究提出了一种基于聚类的框架来检测社交数据流中的谣言,评估了基于内容、元数据、网络特征和它们的组合的各种相似度度量,并探索了预聚类的想法。系统评估表明,预聚类和异质特征的组合产生了最佳的聚类数量和质量的平衡,证明了一种简单的基于相似性的组合方式与参数优化同样有效。我们的方法是全自动、无监督的,并可实现流数据的实时检测。
Oct, 2013
本研究使用感知哈希和聚类分析技术,并以 13 个月内从 Twitter、Reddit、4chan 和 Gab 收集的 26 亿帖子和 1.6 亿张图像的数据集为基础,检测和量化了多个网络社区间的互动传播效果,揭示了网络社区间恶意并极具争议的热门、多样的互联网模因,展示了如何使用霍克斯过程来模拟网络社区之间的相互影响。
May, 2018
通过对 Facebook 中数千个 meme 的传播和演化的大规模测量,我们展示了这种不完美信息复制机制的特点,包括 meme 的突变率、传播过程中的不同变体的变化以及社交网络的不同子群体如何优先传播特定的 meme 变体。
Feb, 2014
该研究介绍了一个新的数据集 MemeCap 及可视化模型综合能力的实验,验证了 VL 模型在理解 meme 中的视觉隐喻方面存在的问题。
May, 2023
通过释放一个包含超过 54,000 个图片的知识库 (Know Your Meme Knowledge Base),该研究提出了使用模因模板来增加机器学习系统对模因理解的背景上下文,进而创建了一个非参数多数投票分类器 (Template-Label Counter),并在五个模因分析任务的背景下进行了分类实验和探索性数据分析。
Nov, 2023
探索使用知识图谱来调查互联网迷因在社交媒体上的发布与流行,并借助知识图谱映射的概念来研究迷因在不同平台上的普及度、发现流行迷因以及选择常见迷因渠道和子论坛,并演示如何通过与知识图谱的关联,帮助用户获得社交媒体上迷因的背景信息。
Nov, 2023
探讨图片模因产生社交媒体传播热度的视觉元素,根据艺术、心理、营销和神经科学研究,开发了特征码书以注释一组从 4chan 收集的 100 个图像模因,训练机器学习模型以区分可能会病毒性传播的图片模因,结果显示我们的模型可以帮助确定最受欢迎的模因。
Jan, 2021
本文提出了并比较了几种用于自动分类表情包图像的方法,并提供了一种查询表情包的方法。该方法使用文本查询从大量的标注数据集中检索表情包,然而,虽然其中一些被评估的方法是有效的,但仍有改进的空间。
Feb, 2020
该论文提出了一种新任务 MEMEX,旨在挖掘梗背后的背景信息,为此,他们开发了一个名为 MCC 的新数据集,同时提出了一种名为 MIME 的多模态神经框架,它使用常识丰富的梗表征和分层方法来捕捉梗和背景之间的跨模态语义依赖关系,获得了比最好基线高约 4%的 F1 分数。
May, 2023