由于一次导致互联网使用增长 70% 的大流行病，全球范围内使用社交媒体的人数大幅增加。本研究通过使用词嵌入来分析评论中的组成部分和文档，调查了不同社交媒体平台上的情感和语义关系，论述了共享意见在这些不同媒体平台之间的重要性，为研究人员、政治家和商业代表提供跟踪全球用户共享情绪的路径。本研究呈现了多种测量从这些热门在线平台上提取的文本相关性的方法，通过利用捕捉语义关系的词嵌入来分析网络上的情感，我们可以揭示公众舆论作为一个整体的联系。该研究利用了来自 YouTube、Reddit、Twitter 等的现有数据集，并利用了像双向编码器表征来自变形器（BERT）等热门自然语言处理模型来分析情感和探索评论嵌入之间的关系。此外，我们还将利用聚类和 Kl 散度来发现不同社交媒体平台上这些评论嵌入之间的语义关系。我们的分析将使人们更加深入地了解在线评论之间的相互关联，并探讨互联网作为一个庞大的相互连接的大脑的概念。

Sep, 2023

本文介绍了一种另类的社交媒体监控方法，探讨了政治学概念中的议题所有权和议程设置，并提出了一种新的条件相似性测量方法，使用词 / 文档嵌入技术测量政治相关媒体与政党之间的相似度。

Oct, 2018

本研究分析近十年来 CNN 和福克斯新闻的关闭字幕及 Twitter 上语篇信息，探讨语言表述在电视和社交媒体之间的关系，研究结果表明不同播出平台的语义极化现象与趋势出现了较大的差异，尤其是 2016 年之后，两个频道的讨论话题在语义上的差异越来越显著，这种语言上的分化在很大程度上塑造了 Twitter 上的语义互动。

Jan, 2023

通过提取社交媒体上的信息可获得人们对公共事件的意见和社会动态的有价值见解，本文提出了一种从特定话题的用户组讨论中提取影响指标的新方法，重点关注议程控制和情感语言的使用。

Feb, 2024

本研究通过对能量社区的在线新闻数据分析，使用 Semantic Brand Score 指标作为语义重要性的创新度量，发现人们对能量社区的关注度和媒体重要性不同于其他能源和社会相关问题，从而确定了低碳能源转型的信息差距和可能可采取的行动。

Aug, 2022

本文旨在量化情感对信息传播的影响，从而了解内容情感在社交媒体上的传播如何受时间动态的影响。研究发现，在单独的内容层面上，负面信息比积极信息更容易传播，但是积极信息能够触及更多的观众。同时，针对整个对话框架，不同的时间动态可能展现出不同的情感模式。这项研究成果有助于改善在线社交媒体内容的生成与传播方针。

Jun, 2015

研究使用 Twitter 的用户，如果评论多个话题，比专注于一个话题的用户更容易获得高影响力。同时通过检测话题社区，量化用户和标签的话题多样性、相似性，可以预测早期采用者和标签的多样性与未来流行的 hashtags 有关。这项研究发现，多样性的信息和专注的沟通者更容易获得影响力。

Feb, 2014

社交媒体平台可以迅速向不同的受众传播 STEM 内容，但其运作方式可能令人费解。我们使用开源机器学习方法，如聚类、回归和情感分析，分析了来自 6 个社交媒体 STEM 创作者的 1000 多个视频及其指标。我们的数据提供了关于受众如何产生兴趣信号（点赞、收藏、评论、分享）的见解，不同信号与观看量之间的相关性，以及新创作者的内容如何被传播。我们还通过分析仅限内容创作者可获取的数据以及对评论进行情感分析，分享了优化传播的见解。

Apr, 2024

本研究使用一个标注框架和对不同形式科学相关性的定义，对推文中的科学相关信息进行标注，通过训练多标签分类器检测科学相关性，并成功检测出不同范畴的科学知识（声明、参考文献）进行分析。

Jun, 2022

在社区实践和相关主题社区集合中量化常用词汇语义变异的框架，揭示了一些含义变化在相关社区之间共同存在，而其他变化则是社区特定的，从而与讨论的主题无关，这些发现为社会驱动的语义变异提供了证据。同时，研究了诸如词汇突出性和传播等因素，发现这些外语言因素与语义变异相关。

Jun, 2018