本文提出了一种使用场景图和知识图作为结构化表示对旨在进行模因分类的 Transformer-based 模型的方法，并与 ImgBERT 模型进行了比较，发现使用场景图和知识图的方法能够获得一致的性能提升，自动生成的图表现出更好的针对 meme 的恶意分类性能。

May, 2023

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

本文针对当前因网络平台被用于地缘政治事件和社会问题而使得互联网谣言的信息审核变得更加困难，旨在设计实现一个多模态分类方法，利用文本和图像来识别有害的网络谣言，通过举例和原型推理比较示范算法之间的性能差异，为社区提供启发，同时设计一种用户友好的界面以方便对比分析结果。

Dec, 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

本文提出了并比较了几种用于自动分类表情包图像的方法，并提供了一种查询表情包的方法。该方法使用文本查询从大量的标注数据集中检索表情包，然而，虽然其中一些被评估的方法是有效的，但仍有改进的空间。

Feb, 2020

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

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

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