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

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

研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

Oct, 2015

本文研究摄影网站的个性化照片推荐，并提出两种基于颜色空间和深度风格迁移嵌入的美学特征提取方法，使用 500px 数据集进行评估，结果表明第二种方法在照片推荐性能方面有显着提高。

Aug, 2018

研究表明，在文化市场中，以大众化推荐作为代表的算法偏见有可能促进一定阈值范围内的高品质内容排序，而在其它情形下却更容易妨碍优秀内容的排名。

Jul, 2017

通过对 12 个不同美学评分数据集的比较，本文发现不同数据集中的美学评分可预测性存在显著差异，并发现照片和绘画的美学评价具有一致性，但这些差异也在一定程度上对单一数据集的研究结果具有普适性的假设提出了质疑。

Jul, 2023

本文研究了在线社交网络上对帖子的互动反应，发现在帖子中加入图像等可视化元素后，其视觉特征会对帖子的病毒性产生不同的影响，同时提出了与其相关的几种假设和解释及其动态特征。

Sep, 2013

本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

Oct, 2015

本文讨论了如何开发一个大规模的自动照片标注系统，提出了一些重要的考虑事项，包括如何为用户选择最重要的标签、如何开发高性能的模型以进行标签预测，以及如何利用大量噪声数据进行训练。通过使用用户生成的数据，我们的结果表明，对于现实世界的数据集，仅使用这些噪声数据的训练效果与先预先训练干净的数据再进行微调的标准范例的表现相当。

Dec, 2016

在时尚电子商务平台上，用户在购买决策时无法亲自检查产品，因此能够查看其他用户的文本和图像评论对于他们十分重要。在本文中，我们提出了一种简单而有效的训练方法来对顾客的图像进行排序。通过使用选定的畸变技术，我们将图像的质量调整到与差质量的用户生成内容（UGC）图像相近，然后训练我们的网络将差质量的图像排名低于高质量的图像。我们的方法在相关系数和准确度这两个指标上相比基准模型有显著提升。

Aug, 2023