استرجاع حوسبة عابرة للأنماط غير المتماثلة القوية مع تعزيز دلالي مزدوج

بينما تواجه وسائل التواصل الاجتماعي كميات كبيرة من البيانات وخصائص متعددة الأنماط، فإن استرجاع الحوسبة العابرة للأنماط (CMH) يكتسب تطبيقات واسعة بفضل كفاءته العالية واستهلاكه المنخفض للتخزين. ومع ذلك، هناك مشكلتان تعيقان أداء الأساليب الحالية المعتمدة على تعلم الدلالات في CMH: 1) توجد بعض العلاقات غير الخطية، والضوضاء، والقيم الشاذة في البيانات، مما قد يقلل من فعالية تعلم النموذج؛ و2) قد لا يتم استكشاف العلاقات التكميلية بين دلالات التسميات ودلالات العينات بشكل كافٍ. لمعالجة المشكلتين المذكورتين، تم اقتراح طريقة تسمى استرجاع الحوسبة العابرة للأنماط غير المتماثلة القوية مع تعزيز دلالي مزدوج (RADSE). تتكون RADSE من ثلاثة أجزاء: 1) محاذاة البيانات العابرة للأنماط (CDA) التي تطبق رسم الخرائط النووية وتؤسس تمثيلًا خطيًا موحدًا في الجوار لالتقاط العلاقات غير الخطية بين البيانات العابرة للأنماط؛ 2) تعلم دلالات التسميات المريحة من أجل القوة (RLSLR) الذي يستخدم استراتيجية استرخاء لتوسيع تمايز التسميات، ويستفيد من نورم ₂، ₁ لتعزيز قوة النموذج ضد الضوضاء والقيم الشاذة؛ و3) تعلم تعزيز الدلالات المزدوجة (DSEL) الذي يتعلم المزيد من العلاقات المتبادلة بين العينات تحت إشراف دلالة التسميات لضمان تعزيز المعلومات الدلالية المتبادلة. تُظهر التجارب والتحليلات الواسعة على ثلاثة مجموعات بيانات شائعة أن RADSE يتفوق على معظم الأساليب الحالية من حيث متوسط دقة الاسترجاع (MAP)، ومنحنيات دقة الاسترجاع (P–R)، ومنحنيات دقة أعلى N. في المقارنات الخاصة بـ MAP، تحسن RADSE بمعدل 2%–3% في مهمتين لاسترجاع البيانات.