9.3.3 实验二：在NUS-WIDE数据集上的搜索结果
为了进一步验证基于用户搜索意图理解的在线社交网络跨媒体搜索算法（UCMS）的有效性，实验二利用公共的跨媒体数据集NUS-WIDE作为实验数据，并采用与实验一相同的评价指标和搜索任务。
1.UCMS算法与对比算法在NUS-WIDE数据集上的MAP比较
我们利用平均准确率MAP作为评价指标来验证不同算法在公共数据集NUS-WIDE上的搜索效果，实验结果如表9-2所示。
表9-2 UCMS算法与对比算法在NUS-WIDE数据上的MAP值比较
从表9-2的实验结果可以看出，基于用户搜索意图理解的在线社交网络跨媒体搜索算法（UCMS）在图像搜索文本、文本搜索图像、图像搜索图像和文本搜索文本任务结果中都明显优于其他对比算法。
基于深度学习的跨媒体搜索算法CMDN、DCML、DAML、CM-GAN及UCMS在NUS-WIDE数据集上的表现优于基于浅层学习算法CCA和LGCFL。在跨媒体公共数据集上，由于没有用户特征，因此在UCMS算法和对比算法提取文本特征相同的情况下，UCMS算法取得了最佳的MAP值，表明UCMS算法通过利用用户搜索意图信息、互补注意力机制和对抗学习，能够有效地提升公共语义学习能力，进而获取了最优的跨媒体搜索结果。
2.UCMS算法与对比算法在NUS-WIDE数据集上的Precision-Scope值
为了进一步验证基于用户搜索意图理解的在线社交网络跨媒体搜索算法（UCMS）在NUS-WIDE数据集上的搜索性能，我们采用Precision-Scope曲线来验证UCMS算法和对比算法的跨媒体搜索效果，实验结果如图9-3所示。
图9-3 在NUS-WIDE数据集上的Precision-Scope曲线比较
基于用户搜索意图理解的在线社交网络跨媒体搜索算法（UCMS）在图像搜索文本、文本搜索图像、图像搜索图像和文本搜索文本4个任务中均取得了最佳的结果，表明UCMS算法在NUS-WIDE公共数据集上的跨媒体搜索性能相比其他基于深度学习和基于浅层学习的跨媒体搜索算法有较大的提高，在公共数据集上的表现较为稳定，具有较好的普适性和鲁棒性。