1.4.4 IROA算法实验结果与分析
1.实验设置
本节采用的图像数据来源于4个社交网络安全事件数据集，根据每个社交网络消息中的图像URL对图像进行爬取和筛选。为了保证不同事件中的图像数量均衡，在每个事件的图像数据中随机挑选了2 000张图像作为实验所用社交网络图像数据集，并将其中1 800张图像作为训练集，剩余的200张作为测试集。获取了8 000张在线社交网络图像作为实验数据。将IROA算法和对比算法得到的图像特征用于搜索任务，通过比较各算法间的搜索准确性来衡量不同算法的图像表达能力。选择归一化折扣累积增益值（NDCG）和平均准确率均值（MAP）作为评价指标。
2.IROA算法与对比算法在社交网络图像数据集中的搜索实验
以搜索测试集中的图像作为搜索实例进行搜索，分别选取搜索列表中的前5、前10、前15和前20个搜索结果，计算基于目标注意力机制的在线社交网络图像信息表达算法（IROA）与对比算法的搜索NDCG值，实验结果如表1-7所示。
表1-7 IROA算法与对比算法在社交网络图像数据集中NDCG值比较
在社交网络图像数据集中的搜索任务上，IROA算法相比对比算法VGG-19、VELDA和Corr-LDA的NDCG@5、NDCG@10、NDCG@15和NDCG@20值均有较大的提高。对上述NDCG值进行平均可以发现，IROA算法的搜索NDCG值相比对比算法VGG-19、VELDA和Corr-LDA，分别平均提升了35.47%、25.71%和5.49%。实验结果表明提出IROA算法可以更好地提取图像的关键特征。为了进一步评价IROA算法与对比算法对于社交网络图像的表达能力，选取平均准确率均值（MAP）作为评价指标，选取搜索列表中的前5、前10、前15和前20个搜索结果计算IROA算法与对比算法的MAP值，实验结果如图1-6所示。
IROA算法与VGG-19取得的MAP值明显高于对比算法VELDA和Corr-LDA的MAP值。实验结果表明，相比主题模型采用深度神经网络模型对社交网络图像进行表达，能够更细致地刻画图像特征。通过图1-6还可以看出提出的IROA算法相比VGG-19取得了更高的搜索MAP值。实验结果表明，采用目标特征对图像的特征生成进行指导可以过滤图像中的噪声，有助于提升图像的特征质量。综合DCG值和MAP值可以看出，提出的基于目标注意力机制的在线社交网络图像信息表达算法IROA具有更强的图像表达能力。
图1-6 IROA算法与对比算法在社交网络图像数据集上的MAP值比较