4.3.4　实验三：SCSL与对比算法的召回率比较

为了验证基于时空特性的在线社交网络跨媒体语义学习算法SCSL的跨媒体语义学习能力，选择召回率Recall@K作为评价指标进一步分析SCSL算法的跨媒体搜索性能。将K值分别设置为2、4、6、8和10，不同K值下的召回率结果如图4-4所示。

在图4-4（a）和4-4（b）中，基于时空特性的在线社交网络跨媒体语义学习算法SCSL相比对比算法取得了更高的召回率。分析图4-4所示的实验结果可知，SCSL与对比算法的召回率均随着K值的增长而增加，本章提出的基于时空特性的在线社交网络跨媒体语义学习算法SCSL的变化趋势最明显，随着K值的增加上升得最快，这说明SCSL算法在召回率指标上表现出了较为显著的优势。

与浅层表示学习方法CCA和KCCA相比，基于时空特性的在线社交网络跨媒体语义学习算法SCSL的召回率较高，这是因为SCSL算法是基于深度神经网络构建的，能够学习跨媒体数据之间复杂的非线性映射关系，而且SCSL算法同时利用了社交网络中的时空和用户等特性获取高质量的文本特征，以及利用目标注意力机制获取高质量的图像特征。

与基于神经神经网络DNN的跨媒体语义学习算法Corr-AE和DCCA相比，SCSL算法具有明显的优势，这是由于在跨媒体语义学习过程中，SCSL算法分别建立了基于时空用户特性的主题模型与基于目标注意力机制的图像特征生成方法，提升了单模态特征的语义表示质量。

图4-4　SCSL算法与对比算法的Recall@K比较

从图4-4的实验结果中可以看出，无论在文本搜索图像（T-I）的任务还是在图像搜索文本（I-T）的任务中，相比现有的跨媒体语义学习算法，SCSL算法在不同K值下均取得了最高的召回率。