通过对 Instagram user-generated content 进行大规模定量分析，我们揭示了 Instagram 的社交网络结构特性、用户行为、个人资料以及用户生成的内容等多方面洞见，这是第一篇深入分析 Instagram 的首个研究。

Oct, 2014

本研究通过对 Instagram 上标签和社交网络数据的分析，尝试理解外部图片的内容以及其与已有标签的关联，特别地，通过纯粹的社交网络数据尝试识别食品图像的类别和内容，并证明了该方法在识别流行食品类别时的正确率可以达到 70% 以上，这表明通过数据驱动的分析可以为图片内容的关系及开发相关算法提供新的机遇和挑战。

Mar, 2016

分析数百万张照片，发现自拍照的数量在 2012 年至 2014 年间增长了 900 倍，并成为 Instagram 上引起关注的有效媒介；与其他内容相比，涉及自拍的互动表现出明显的同质性变化，并显示了不同文化背景下样式的差异。

Oct, 2015

该研究分析了社交网络和话题关联结构的相互作用，使用 Twitter 上的 hashtag 数据，预测社交关系和 hashtag 的流行度，并在小结中指出这些发现在其他不同领域同样具有广泛适用性。

Dec, 2011

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

本文旨在预测特定用户的帖子受欢迎的程度，并挖掘受欢迎背后的模式。基于采集的 Instagram 数据，我们提出了一种双重注意力模型，该模型考虑了图像、标题和用户环境。实验结果表明，我们的模型优于基准，并且统计分析确定了哪种图片或标题可以帮助用户获得相对较高的 “喜欢” 数。

Sep, 2018

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

本文提出了一个名为 Multi-scale Temporalization 的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模 Flickr 图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

Dec, 2017

研究通过 Instagram 中用户提供的标签与机器标注标签的数据来源的可行性及其对公共健康状况的研究价值，发现二者均可用于推断县域健康状况，并提出了机器标注标签在研究物质滥用方面的应用潜力。

Dec, 2015

本文研究了在线社交媒体上的用户行为和内容推荐，以新闻聚合平台 Digg 为例，提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响，并预测了用户对内容的兴趣，为网站内容设计提供了参考。

Jan, 2012