该论文分析了在线社交网络上的人际互动机制，提出了一种更加细致的社交链展开策略。研究表明，人们跟随其他用户的方式具有高度异质性，通过将用户分类，可以总结不同的链接创造行为，进而更加高效地在网络中传播信息。

Feb, 2013

研究了信息传播的网络结构如何影响内容的扩散，发现内容是否属于复杂型病毒会影响其在高度聚集的社区内的传播，同时影响跨社区的传播。提出一种能预测内容将被传播多远的实用方法，通过社区结构的数据转化出预测知识，进而在社交媒体分析和营销应用等方面有显著进展。

Jun, 2013

本文研究在线社交网络中的信息传播，包括在一项大规模实地实验中，随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者，发现那些接受信号的人更有可能更快地传播信息。同时，研究了强弱关系在信息传播中的作用，发现尽管强联系人更有影响力，但更丰富的弱联系人负责传播新信息。这表明，弱联系人在网络信息传播中可能比当前认为的更占主导地位。

Jan, 2012

本文研究了在 Twitter 在线社交网络中通过哈希标签和 URL 传播的两种不同类型的信息的主题，并针对每个用于推断她的主题兴趣。通过引入信息扩散的新理论框架，本研究揭示了信息扩散的两个不同机制，即主题和非主题的信息传播，其中非主题信息传播类似于简单传染病的传播，主题信息传播发生在信息口味与其相关的用户之间，具有复杂的传染特性。结果表明，meme 的主题和用户兴趣对于理解和预测信息扩散至关重要。

Mar, 2016

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

本文以经验主义方法研究网络文化中的 meme 并从数据统计和特征分析的角度描述其行为，分析其成功的特质。

Apr, 2013

通过深度学习和稀疏表示算法解耦图像数据并生成语义嵌入，通过图像聚类、图像检索、主题预测和病毒性预测等任务展示了该方法在 meme 和 Image Macros 等方面的优越性。

Feb, 2018

该研究通过 COEVOLVE 模型研究信息传播和网络演化的动态，通过历史数据进行参数学习，证明该模型能够准确预测实际网络传播模式。

Jul, 2015

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

通过分析两个社交新闻站点的数据，研究表明社交网络在信息传播中发挥关键作用，网络结构影响信息流动的动力学。

Mar, 2010