11.3.3 实验二：跨媒体公共数据集上的搜索实验
为了进一步验证基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）对不同数据集的鲁棒性，采用Pascal Sentence和MS-COCO两个公共的跨媒体数据集进行搜索实验。在这两个公共数据集中将数据的类别作为事件标签，从而判断搜索的准确性。与实验一相同，分别进行模态间与模态内的4种搜索类型，采用MAP值和精度范围曲线（precision-scope）作为评价指标。
1.与对比算法在Pascal Sentence数据集上的MAP值比较
以下将本章提出的基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法CSES与6种对比算法在Pascal Sentence公共数据集上进行搜索实验，采用MAP值对搜索的准确性进行评估与比较，结果如表11-2所示，分别展示了模态间与模态内4类搜索形式下的MAP值对比，以及模态间搜索和模态内搜索的MAP平均值。
从表11-2中可以观察到基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）在4类搜索实验中表现了最佳的搜索效果。与社交网络跨媒体事件数据集上的搜索MAP结果相似，基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）由于采用深度神经网络结构对跨媒体数据进行非线性映射，在4类搜索实验中取得的MAP值均优于所有的基于浅层的语义特征学习方法（CFA和MACC）。相比所有基于深度神经网络的跨媒体搜索算法，基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）在4类搜索实验中获得的MAP值具有显著的提升。
表11-2 Pascal Sentence数据集上的搜索MAP值对比
2.与对比算法在MS-COCO数据集上的precision-scope曲线比较
为了从多个角度验证基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）的搜索性能，将该算法与6种跨媒体搜索算法在MS-COCO数据集上进行跨媒体搜索实验，基于评价指标precision-scope曲线分析搜索算法的有效性。实验结果如图11-4所示。
图11-4展示了模态间搜索形式图像搜索文本、文本搜索图像与模态内搜索形式图像搜索图像、文本搜索文本的搜索结果。从图11-4中可以看出，基于语义学习与时空特性的在线社交网络跨媒体事件搜索算法（CSES）在4类搜索实验中的精度范围值显著优于对比算法，说明CSES算法在MS-COCO数据集上的搜索性能与其他对比算法相比表现出了明显的优势，在不同数据集下的搜索性能具有较好的稳定性和鲁棒性。