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

本文针对当前机器学习系统对于包含文本和视觉元素的恶意模因的识别能力较弱的问题，研究了使用OCR抽取文本、多样化的模因等

Jul, 2021

本研究通过 BERT 和 Multi-Modal-Multi-Task transformer 等预训练模型将 MEMOTION 的表情包进行情感、幽默、进攻、讽刺和动机等分类，获得了该领域的多个任务奖项，并取得了最高平均分。

Feb, 2022

本文介绍一项新的任务——在网络迷因中生成用于语义角色标注的自然语言解释，并提出了LUMEN——一种多模态、多任务学习框架，该框架通过联合学习正确的语义角色的预测和相应的自然语言解释的生成，最优化地解决了EXCLAIM任务，具有优异的性能表现。研究还使用ExHVV数据集进行了广泛和系统的评估和分析。

Dec, 2022

该论文提出了一种新任务MEMEX，旨在挖掘梗背后的背景信息，为此，他们开发了一个名为MCC的新数据集，同时提出了一种名为MIME的多模态神经框架，它使用常识丰富的梗表征和分层方法来捕捉梗和背景之间的跨模态语义依赖关系，获得了比最好基线高约4％的F1分数。

May, 2023

本研究旨在探索GPT-3.5作为大型语言模型在处理互联网迷因情感分析方面的能力，包括迷因情感分类、幽默类型确定和隐性仇恨迷因检测。评估结果表明，尽管GPT取得了显著进展，但仍然面临内在限制，包括对上下文的理解、隐含含义的解释和数据偏见等。该研究对AI在处理复杂的、依赖上下文的任务方面的适用性进行了探讨，为未来的发展提供了有价值的见解。

Nov, 2023

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

本研究介绍了一种新的多模式话题建模方法： extsf{PromptMTopic}，该模型通过利用大型语言模型的语言建模能力，从文本和视觉模态中学习话题。通过在三个真实的互联网迷因数据集上的实验，我们验证了该模型在学习描述性迷因话题方面的优越性，同时定性分析显示 extsf{PromptMTopic}可以识别出有意义的、与文化相关的迷因话题。

Dec, 2023

本研究旨在通过改进模型训练方法和研究平衡与非平衡的训练数据集的影响，提高在迷因文本中多种具有说服力的技术的有效识别和分类。结果表明，使用释义进行训练可以提高模型性能，而平衡的训练集比较大但不平衡的训练集更有优势。

Jul, 2024