该论文介绍了一种针对 Twitter 的流式框架，用于在线检测和聚类社交媒体中的模因，通过 “原型模因检测” 预聚类后，在多个相似性衡量标准的基础上聚合原型模因，建立起与语义、结构、主题数相关的推文集群。

Nov, 2014

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

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

利用 Class Definition Prediction 和超边缘嵌入方法构建的集成模型，提高了迷因分类的准确性和全面性，实现了多语言感化技巧的检测任务。

Apr, 2024

本文提出了一种使用场景图和知识图作为结构化表示对旨在进行模因分类的 Transformer-based 模型的方法，并与 ImgBERT 模型进行了比较，发现使用场景图和知识图的方法能够获得一致的性能提升，自动生成的图表现出更好的针对 meme 的恶意分类性能。

May, 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

本篇研究提出一种多模态半监督学习方法，可用于探测社交媒体上的恶意图片，该方法结合了自动编码器和分类任务，通过 Contrastive Language-Image Pre-training 实现。在两个数据集上，该方法表现优于其他多模态半监督学习和有监督学习的现有模型。

Mar, 2023

通过社交网络中推广模式的早期传播模式，研究成功的梗可预测性。我们提出和分析了一套全面的特征，并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组：早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现，基于社区结构的特征是未来成功的最强预测因素。我们还发现，梗的早期流行度不是其未来流行度的好预测因素，与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。

Mar, 2014

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

使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

Apr, 2023