《表4 LDA2vec主题模型主题分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于LDA2Vec和残差网络的跨媒体融合方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实验结果表明，LDA2Vec模型与SM算法结合的实验效果优于CCA及SCM算法，而在文献[5]中SCM算法取得最好的实验结果。分析原因为CAA与SCM算法均会对数据进行非线性变换和降维，这种处理会使得已经经过多次迭代计算的特征进一步损失特征的数据信息，从而降低准确性，而SM算法使用逻辑回归运算将文本和图片特征映射到同一语义空间中，考虑了语义性，与同样表达丰富语义信息的LDA2Vec模型相结合能减少特征信息的数据损失，提高准确性。实验进一步表明，当LDA2Vec模型训练的迭代次数为10时，实验效果最佳。当迭代次数减少或不断增大时，MAP值递减。在后续实验中均采用Epoch=10的文本特征向量。Epoch=10时，LDA2Vec模型的Topic分类情况如表4所示。