ترجمه فارسی مقاله رمزگشایی MEMES: یک مطالعه مقایسه ای از مدل های یادگیری ماشین برای شناسایی الگو

چکیده

Image-with-text memes combine text with imagery to achieve comedy, but in today’s world, they also play a pivotal role in online communication, influencing politics, marketing, and social norms. A “meme template” is a preexisting layout or format that is used to create memes. It typically includes specific visual elements, characters, or scenes with blank spaces or captions that can be customized, allowing users to easily create their versions of popular meme templates by adding personal or contextually relevant content. Despite extensive research on meme virality, the task of automatically identifying meme templates remains a challenge. This paper presents a comprehensive comparison and evaluation of existing meme template identification methods, including both established approaches from the literature and novel techniques. We introduce a rigorous evaluation framework that not only assesses the ability of various methods to correctly identify meme templates but also tests their capacity to reject non-memes without false assignments. Our study involves extensive data collection from sites that provide meme annotations (Imgflip) and various social media platforms (Reddit, X, and Facebook) to ensure a diverse and representative dataset. We compare meme template identification methods, highlighting their strengths and limitations. These include supervised and unsupervised approaches, such as convolutional neural networks, distance-based classification, and density-based clustering. Our analysis helps researchers and practitioners choose suitable methods and points to future research directions in this evolving field.

چکیده به فارسی (ترجمه ماشینی)

تصاویر با متن با متن متن را با تصاویر برای دستیابی به کمدی ترکیب می کنند ، اما در دنیای امروز نیز نقش مهمی در ارتباطات آنلاین ، تأثیرگذاری بر سیاست ، بازاریابی و هنجارهای اجتماعی دارند.”الگوی Meme” یک طرح یا فرمت موجود است که برای ایجاد Memes استفاده می شود.این به طور معمول شامل عناصر بصری خاص ، شخصیت ها یا صحنه هایی با فضاهای خالی یا زیرنویس هایی است که می توانند سفارشی شوند و به کاربران این امکان را می دهد تا با افزودن محتوای شخصی یا متنی ، نسخه های خود را از الگوهای Meme محبوب ایجاد کنند.با وجود تحقیقات گسترده در مورد ویروس Meme ، وظیفه شناسایی خودکار الگوهای MEME یک چالش است.در این مقاله یک مقایسه و ارزیابی جامع از روشهای شناسایی الگوی MEME موجود ، از جمله رویکردهای تعیین شده از ادبیات و تکنیک های جدید ارائه شده است.ما یک چارچوب ارزیابی دقیق را معرفی می کنیم که نه تنها توانایی روشهای مختلف را برای شناسایی صحیح الگوهای MEME ارزیابی می کند بلکه ظرفیت آنها را برای رد غیر مین ها بدون تکالیف کاذب آزمایش می کند.مطالعه ما شامل جمع آوری داده های گسترده از سایت هایی است که حاشیه نویسی Meme (IMGFLIP) و سیستم عامل های مختلف رسانه های اجتماعی (Reddit ، X و Facebook) را برای اطمینان از مجموعه داده های متنوع و نماینده ارائه می دهند.ما روشهای شناسایی الگوی MEME را با هم مقایسه می کنیم و نقاط قوت و محدودیت آنها را برجسته می کنیم.این موارد شامل رویکردهای تحت نظارت و بدون نظارت ، مانند شبکه های عصبی حلقوی ، طبقه بندی مبتنی بر فاصله و خوشه بندی مبتنی بر چگالی است.تجزیه و تحلیل ما به محققان و پزشکان کمک می کند تا روشهای مناسب را انتخاب کنند و به مسیرهای تحقیق آینده در این زمینه در حال تحول اشاره کنند.