本研究提出了一种使用深度学习方法进行多模态表情包分类的特征提取方法。通过使用不同的多模态神经网络方法进行多模态特征提取，我们可以训练出一个分类器来识别表情包中的情感。

Jul, 2022

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

本研究提出了一种基于 CLIP 的新型模因情感分析框架，包括 CTM（任务 A 的合作教学模型）和 CEC（任务 B&C 的级联情感分类器），可准确分类来自社交媒体的模因的情感及其相应强度，取得了显著的结果。

Feb, 2023

本篇研究提出一种多模态半监督学习方法，可用于探测社交媒体上的恶意图片，该方法结合了自动编码器和分类任务，通过 Contrastive Language-Image Pre-training 实现。在两个数据集上，该方法表现优于其他多模态半监督学习和有监督学习的现有模型。

Mar, 2023

本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

Mar, 2015

本文提出了一种新的深度网络（MldrNet），可以通过图像语义、图像美学和全局与局部视图的低级视观特征来学习图像情感分类的多级深层表示。实验表明，该方法在分类准确性方面至少优于现有最先进的使用深度特征或手工特征的方法。

Nov, 2016

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

本文研究了互联网用户在在线聊天中使用互联网梗的行为，并提出了一个综合方案，利用大规模预训练的对话模型进行响应生成，基于交互式文本匹配检索适当的互联网梗以及实现对话情感流的建模并且通过情感描述预测辅助任务提高互联网梗情感分类性能。在 MOD 数据集的实验结果表明，我们的方法可以有效地将互联网梗整合到对话系统中。

Mar, 2022

本文提出了一种基于多种单模态和双模态模型结构的集合系统，旨在通过 SemEval 2022 Task 5 数据集对多媒体中的自动仇恨检测进行建模，并实现了一个新的模型融合网络和集成学习方法来获得更好的性能。该系统在 sub-task A 中实现了 0.755 的宏平均 F1 分数（第 11 名），在 sub-task B 中实现了 0.709 的加权平均 F1 分数（第 10 名）。

Apr, 2022

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