4.3.5　实验四：SCSL与其变型算法的比较

SCSL算法有两种变型算法：SCSL-1与SCSL-2。其中，SCSL-1表示不采用在线社交网络多特征概率图模型生成的文本特征，而直接采用LDA文本特征作为输入的跨媒体语义学习算法；SCSL-2表示不采用目标注意力机制生成的图像特征，而直接采用VGG特征作为图像特征输入的跨媒体语义学习算法。

对基于时空特性的在线社交网络跨媒体语义学习算法SCSL与上述两种变型算法的跨媒体语义学习能力进行比较，将算法生成的公共语义表示应用于跨媒体搜索任务中，选择平均准确率均值（MAP）作为评价指标，K值的设置与实验二相同，实验结果如图4-5所示。

从图4-5的实验结果可以看出，SCSL算法在两类搜索任务中的MAP值均优于其变型算法SCSL-1，这是因为本章建立的在线社交网络多特征概率图模型可克服短文本的语义稀疏性，并且融合了社交网络数据的多种特性，获取的文本语义表示包含了更多的信息，更利于学习跨媒体数据间的映射关系，从而提升了跨媒体语义学习能力。通过图4-5还可以看出，在T-I和I-T的两类跨媒体搜索任务中，SCSL算法的MAP值均显著优于其变型算法SCSL-2，可得到更为准确的公共语义表示。相比SCSL算法的变型算法，SCSL算法具有最高的跨媒体公共语义学习能力。

图4-5　SCSL与其变型算法的MAP值比较