11.3.4 实验三：CSES算法与其变型算法的对比实验
图11-4 MS-COCO数据集上的precision-scope曲线对比
为了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）的有效性，我们构建了该算法的变型算法进行对比实验。在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）中移除联合目标注意力机制，构建了CSES-O算法，目的是验证联合目标注意力机制的有效性。通过移除在线社交网络跨媒体事件GAN网络的判别模型，建立CSES-D算法，目的是验证判别模型的有效性。为了验证跨媒体生成对抗GAN网络生成模型中损失函数的有效性，移除了生成模型损失函数的模态间语义相似性损失，建立了CSES-IT算法。将CSES算法及其相应的变型算法在社交网络跨媒体事件数据集上进行模态间和模态内的搜索实验，采用MAP值对实验结果进行评价，表11-3是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CSES算法及其三种变型算法的搜索MAP值比较。
表11-3所示的实验结果表明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）相比CSES-O算法，在社交网络跨媒体事件数据集上的4类搜索任务中MAP值平均提升了8.47%，这说明采用联合目标注意力机制能够增强跨媒体数据的公共语义特征的质量，可以有效提升事件的跨媒体搜索准确率。CSES算法相比CSES-D算法在社交网络跨媒体事件数据集上的4类搜索任务中MAP值平均提升了6.64%，该实验结果表明在线社交网络跨媒体事件GAN中的判别模型有利于算法生成更高质量的公共语义表示，从而提高算法在事件数据集上的跨媒体搜索准确率。
表11-3 CSES算法与其变型算法的搜索MAP值比较
CSES算法相比CSES-IT算法在社交网络跨媒体事件数据集上的4类搜索任务中MAP值平均提升了4.68%，实验结果表明结合模态间语义相似性损失有助于提高跨媒体生成对抗GAN网络生成模型的语义表示能力。在CSES算法的所有变型算法中，可以看到CSES-O算法的搜索MAP值最差，从而验证了建立的联合目标注意力机制在CSES算法中的重要性。