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

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

通过对社交媒体中的地理标记帖子进行全球性分析，本文介绍了一种检测城市中意外行为和通过帖子分析情况的方法。该方法使用了基于密度的聚类技术和自然语言处理技术，利用简单的硬件资源在不到一小时的时间内分析了纽约市长达七个月的 Instagram 数据，并且可以轻松适应其他地理标记数据源。

Dec, 2023

该研究使用机器学习技术分析社交媒体上用户的意见与经验，通过建立自动化数据分析流程找到图片和特定词汇，应用基于方面的情感分析方法发现用户对选择的主题的看法，提出了新的语义计算方法，为建筑专家等领域的研究者提供了新的见解。

Oct, 2022

移动应用程序通过将数据处理移至用户的智能手机来保护用户隐私。利用先进的机器学习（ML）模型，如视觉模型，现在可以在本地分析用户图像以提取推动多种功能的见解。通过分析两个流行的社交媒体应用程序 TikTok 和 Instagram，揭示了（1）这两个应用中的视觉模型从用户的图像和视频数据中推测出的见解以及（2）这些模型在与人口统计学相关性方面是否存在性能差异。了解这些模型中的潜在偏见对于确保用户获得公平且准确的服务至关重要。我们开发了一种捕获和评估移动应用程序中 ML 任务的新方法，克服了代码混淆、本地代码执行和可扩展性等挑战。我们的方法包括 ML 任务检测、ML 流水线重建和 ML 性能评估，特别关注人口统计学的差异。我们将该方法应用于 TikTok 和 Instagram，揭示了重要的见解。对于 TikTok，我们发现了关于年龄和性别预测准确性的问题，特别是对未成年人和黑人个体而言。在 Instagram 中，我们的分析揭示了超过 500 个图像概念中的人口统计学差异，存在某些概念与人口统计学特征之间的虚假相关性。

Mar, 2024

通过对 Instagram 数据集进行分析，研究了其网络结构、内容生成和消费动态以及用户标签媒体的行为，以了解人类行为动态在社交技术系统中的表现，重点关注用户和内容的流行度、在线环境中用户交互的机制以及个体主题兴趣如何汇聚形成集体趋势。

Jun, 2014

研究了社交媒体文本与所发布地点类型之间的关系，提出了一个包含大约 200,000 条英文推文的新数据集，用于预测推文所发布的位置类型，并训练分类器来预测推文所发送的位置类型，能够达到宏观 F1 值 43.67，并揭示了与每种类型场所相关的语言标记，这种能够从推文中预测语义场所信息的能力在推荐系统、个性化服务和文化地理学中应用广泛。

Sep, 2020

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

通过社交媒体平台的大数据监测，运用基于位置和关键词的图片爬取方法，训练出肯尼亚饮食分类模型及识别器，对 13 种典型肯尼亚食品进行分类识别，结合对图片、标签的分析和挖掘，探究了 2019 年 3 月肯尼亚社交媒体上各种食品的人气趋势。

Aug, 2019

该研究介绍了一种基于熵分析和聚类技术的混合解决方案，用于早期检测基于位置的社交网络中的城市活动的意外变化，并通过在纽约城收集的 Instagram 数据进行实验证明其有效性。

Dec, 2023