2025年12月，研究生团队博士生王冰冰牵头撰写的论文“Internet Meme on Social Media: A Comprehensive Review and New Perspectives”获计算机科学人工智能和理论方法领域顶级国际期刊Information Fusion录用。Information Fusion是计算机科学人工智能和理论方法领域的顶级国际期刊，影响因子15.5，JCR Q1期刊，在中科院学术推荐列表（升级版）中为一区TOP期刊。

论文信息：

Bingbing Wang, Jingjie Lin, Zhixin Bai, Zihan Wang, Shengzhe Sun, Zhengda Jin, Zhiyuan Wen, Geng Tu, Jing Li, Erik Cambria, Ruifeng Xu*. Internet Meme on Social Media: A Comprehensive Review and New Perspectives. Information Fusion. 2026

网络模因Meme作为社交媒体中主导且复杂的在线沟通形式，其承载的文化传播、情感表达乃至偏见扩散功能日益凸显，相关计算研究也随之快速发展。网络模因研究因多模态融合的技术特性、跨文化传播的复杂场景，以及网络平台对各类内容的放大效应，成为人工智能与社会科学交叉领域的重要课题。其中，作为解锁网络模因深层语义与文化影响的关键，构建系统性的研究框架、整合碎片化的技术进展尤为重要。尽管目前已有一些关于网络模因理解的综述研究，但多局限于单一分类任务，且未能反映多模态大语言模型带来的范式变革，长期缺乏对全领域的系统性整合分析。本综述填补了这一空白，首次通过 Redefinition、Reconsolidation、Revolution三位一体的 TriR 框架，整合多模态、多语言及跨学科视角，构建起网络模因研究的全景图。

图1 TriR 框架图

TriR 框架重新定义（Redefinition）以认知深度为核心重构了网络模因研究的任务边界，实现了从表层感知到高阶认知的关键跨越。它打破了传统研究局限于识别、基础分类等表面特征匹配任务的桎梏，构建了涵盖目标检测、生成、摘要、问答等多元任务的完整体系。这一分类体系不仅明确了不同任务的输入输出标准，更凸显了研究重心从“理解网络模因”向“创造性运用网络模因”的转变，为研究者提供了清晰的任务坐标系，推动领域聚焦于需要整体语境理解和创意合成的复杂认知任务。

图2 网络模因相关任务示例图

同时，本综述重新整合（Reconsolidation）了网络模因研究的方法论演进轨迹，清晰呈现了从特征工程时代到大模型推理时代的范式转型。它整合了碎片化的技术进展，重点分析了多模态大语言模型带来的变革，摆脱了传统静态单模态编码器和晚期融合的局限，转向具备指令遵循、思维链推理和生成能力的新型技术路径。