本文从计算机视觉的角度研究了社交网络上在线内容的传播现象，引入来自 Reddit 的三个图像数据集，定义了传播度量，并使用最先进的图像特征训练分类器来预测图像的传播度，相对传播度和主题，通过相对属性识别了与传播度相关的 5 个主要视觉属性，在此基础上，创建了一个基于属性的图像特征描述模型，可以以 68.10% 的准确率（SVM + 深度相对属性）预测图像的相对传播度，高于 60.12% 的人类预测效果。最后，我们研究了在不同的上下文中，如相邻图像、最近查看的图像以及图像标题或说明文本的影响下，人类对图像传播度的预测如何变化。

Mar, 2015

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

利用图像信息和层次化数据结构，预测基于图像的社交媒体内容的流行度，通过 Google Cloud Vision API 提取关键图像和颜色信息，相比于单独使用非图像协变量，精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型，对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。

May, 2024

使用计算机视觉方法从低曝光但高品质图片池中展现出美丽的照片。我们对 Flickr 上的大型数据集进行测试，通过聚集大量众包美学得分的基本事实，显示我们的方法检索到的照片的中位数感知美丽得分等同于最受欢迎的照片，平均得分仅低 1.5%。

May, 2015

本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。

Mar, 2012

在这项研究中，我们提出了一个多模态框架，整合了视觉和文字特征来预测 GIF 表情的情感，并结合面部情绪检测和 OCR 生成的字幕来捕捉 GIF 的语义方面。通过在 Twitter GIF 上进行实验，我们的分类器达到了 82.7% 的准确率，优于最先进的模型。此外，我们基于 ReactionGIF 数据集进行研究，分析了作者和读者感知的情感差异。

Dec, 2023

本文提出了一种新的算法，将病毒性预测问题重新定义为属性预测任务，并使用成对神经网络模型来模拟在线媒体图像的病毒性，对促进病毒性的特征提供了重要洞见，在预测方面比现有技术的平均值提高了 12％，我们还研究了外部类别监督对相对属性预测的影响，并观察到了准确度的提高.

Sep, 2017

通过对 Instagram 数据集进行分析，研究了其网络结构、内容生成和消费动态以及用户标签媒体的行为，以了解人类行为动态在社交技术系统中的表现，重点关注用户和内容的流行度、在线环境中用户交互的机制以及个体主题兴趣如何汇聚形成集体趋势。

Jun, 2014

本文探讨图像情感分析中视觉显著性与情感之间的微妙而全面的相互作用，并使用现有技术对图像进行分析，试图阐明显著区域的情感如何影响图像的整体情感，研究结果表明了显著性与情感之间的相关性，并为可视化情感唤起机制提供了新颖的见解。

Nov, 2016

通过分析 Facebook 上对学术文章的回应，本研究使用一种新颖的方法来评估公众的情感反应，基于 LDA 主题模型和统计测试，研究发现性别、遗传学以及农业 / 环境科学等主题引发用户的情感反应显著不同，Facebook 上具有积极情感反应的文章更容易被广泛分享，与其他社交媒体平台的先前研究得出的结论相反。

Jan, 2020