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

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

本文介绍了一种基于深度学习多模态融合系统的方法，以检测社交媒体互联网模因中存在的宣传内容，并在图像和文本分类中表现出优异性能。

May, 2022

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

该综述以有害网络迷因为研究对象，提出了新的分类方法，调查了相关研究现状，发现现有的数据集存在问题，迷因可通过多种语言进行传播，涉及的多模态语言和技术难题需要面对。

May, 2022

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

通过社交网络中推广模式的早期传播模式，研究成功的梗可预测性。我们提出和分析了一套全面的特征，并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组：早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现，基于社区结构的特征是未来成功的最强预测因素。我们还发现，梗的早期流行度不是其未来流行度的好预测因素，与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。

Mar, 2014

本研究提出了两种新的问题定义：检测有害的互联网模因及其攻击的社会实体，并提供了 HarMeme 数据集。评估结果表明，使用多模态信号对这两个任务都很重要，但是需要进一步研究来解决现有模式的局限性。

Sep, 2021

本文探讨了使用自然语言处理和计算机视觉技术进行情感分析的问题，研究人员使用双模态和单模态的方法，提出了一种使用 Word2vec 嵌入的前向神经网络的文本单模态方法，在情感分类任务中相对于其他方法有 63％的改进。

Jul, 2020