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

本文介绍了一种针对互联网模因的多模态分类方法，通过考虑图像和文本之间的相对位置和面部嵌入来提高自动分类的准确性，实验结果表明，该方法优于传统基于 OCR 提取文本的分类方法

Mar, 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

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

该研究针对社交媒体上流行的多模式互联网模因进行情感分析，人工标注了约 10,000 条模因标签，并涵盖情感和情感类型（讽刺，有趣，冒犯，积极影响）及其相应的强度，三项任务中分别取得了 F1 得分的最佳表现分别为 0.35、0.51 和 0.32。

Aug, 2020

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

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

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

本研究介绍了一个新颖的多模式多任务学习架构，该架构将 ALBERT 文本编码与 VGG-16 图像表示相结合，可用于分析互联网迷因，该方法在 SemEval-2020 Task 8 比赛的三个子任务中，均超过了官方基线结果。

Sep, 2020