4.2.2　SCSL算法描述

基于时空特性的在线社交网络跨媒体语义学习算法（SCSL）的框架如图4-1所示。

图4-1　基于时空特性的在线社交网络跨媒体语义学习算法（SCSL）框架图

SCSL算法包括两部分，在线社交网络多特征概率图模型（MFPGM）的建立、在线社交网络跨媒体关联学习模型的构建。

在在线社交网络多特征概率图模型（MFPGM）中，我们提出了特殊区域R的概念，设定同一特殊区域内的数据共享同一主题分布，通过该操作将短文本聚合为长文本，引入了双词特征，进一步提升了语义空间的密度，同时建模了时间和用户信息，利用时间和用户信息约束文本的主题语义学习过程，进一步提升在线社交网络文本的语义表示质量。

在在线社交网络跨媒体关联学习模型中，我们构建了图像—文本跨媒体关联学习网络，利用MFPGM模型建模得到的多特征公共语义特征，以及IROA算法建模得到的体现视觉显著性信息的图像特征，建立了统一的跨媒体语义关联学习损失函数，通过训练学习得到了跨媒体语义空间下的公共语义特征。