隨著 Web 技術(shù)發(fā)展，互聯(lián)網(wǎng)上包含大量的多模態(tài)信息（包括文本，圖像，語音，視頻等）。從海量多模態(tài)信息搜索出重要信息一直是學(xué)術(shù)界研究重點(diǎn)。多模態(tài)匹配核心就是圖文匹配技術(shù) (Text and Image Matching)，這也是一項(xiàng)基礎(chǔ)研究，在非常多的領(lǐng)域有很多應(yīng)用，例如圖文檢索 (Cross-modality IR)，圖像標(biāo)題生成 (Image Caption)，圖像問答系統(tǒng) (Vision Question Answering)， 圖像知識推理 (Visual Commonsense Reasoning)。但是目前學(xué)術(shù)界研究重點(diǎn)放在通用領(lǐng)域的多模態(tài)研究，針對電商領(lǐng)域的多模態(tài)研究相對較少，然而電商領(lǐng)域也非常需要多模態(tài)匹配模型，應(yīng)用場景特別多。本文重點(diǎn)關(guān)注電商領(lǐng)域圖文多模態(tài)技術(shù)研究。

多模態(tài)匹配研究簡史

跨模態(tài)研究核心重點(diǎn)在于如何將多模態(tài)數(shù)據(jù)匹配上，即如何將多模態(tài)信息映射到統(tǒng)一的表征空間。早期研究主要分成兩條主線：Canonical Correlation Analysis (CCA) 和Visual Semantic Embedding (VSE)。

CCA 系列方法

主要是通過分析圖像和文本的 correlation，然后將圖像和文本到同一空間。這一系列的問題論文完美，但是效果相對深度學(xué)習(xí)方法還是有待提高的。雖然后期也有基于深度學(xué)習(xí)的方案 (DCCA)，但是對比后面的 VSE 方法還有一定差距。

VSE 系統(tǒng)方法

將圖像和文本分別表示成 Latent Embedding，然后將多模態(tài) Latent Embedding 擬合到同一空間。VSE 方法又延伸出來非常多的方法例如 SCAN，PFAN。這些方法在通用圖文匹配上已經(jīng)拿到不錯(cuò)效果。

隨著 pre-training 和 self-supervised 技術(shù)在 CV 和 NLP 領(lǐng)域的應(yīng)用。2019 年開始，有學(xué)者開始嘗試基于大規(guī)模數(shù)據(jù)，使用預(yù)訓(xùn)練的 BERT 模型將圖文信息擬合同一空間。這些方法在通用領(lǐng)域取得很好的效果，這一系列的方法可以參看 VLBERT 這篇 Paper。

基于 BERT 的預(yù)訓(xùn)練圖文模型的主要流程：

1）利用圖像目標(biāo)檢測技術(shù)先識別圖像中的 Region of Interests(RoIs)。

2）把 ROI 當(dāng)做圖像的 token，和文本 token 做 BERT 多模態(tài)融合，這里面有兩個(gè)方案：

Single-stream：以 VLBERT 為代表，直接將圖像 token 和文本 token 放入到 BERT 做多模態(tài)融合。

Cross-stream：以 ViLBERT 為代表，將圖像 token 和文本 token 先做初步的交互，然后在放入到 BERT。

我們嘗試了 ViLBERT 方法，發(fā)現(xiàn)在通用領(lǐng)域效果確實(shí)不錯(cuò)。但是在電商領(lǐng)域，由于提取的 ROI 并不理想，導(dǎo)致效果低于預(yù)期。主要原因在于：

1）電商圖像 ROI 太少

電商圖像產(chǎn)品單一，背景簡單提取 ROI 很少，如圖 1(c)。統(tǒng)計(jì)來看，通用領(lǐng)域 MsCoCo 數(shù)據(jù)，每張圖像可以提取 19.8 個(gè) ROI，但是電商只能提取 6.4 個(gè) ROI。當(dāng)然我們可以強(qiáng)制提取最小的 ROI，比如 ViLBERT 要求在 10~36 個(gè)，VLBERT 要求 100 個(gè)。但是當(dāng)設(shè)定最小提取的 ROI 后，又提取了太多了重復(fù)的 ROI，可以看圖 1(e)。

2）電商 ROI 不夠 fine-grained

電商圖像單一，提取的 RoIs 主要是 object-level 的產(chǎn)品 (例如，整體連衣裙，T-shirt 等) 。相對文本來說，不夠細(xì)粒度 fine-grain，比如文本里面可以描述主體非常細(xì)節(jié)屬性 (如，圓領(lǐng)，九分褲，七分褲等等)。這就導(dǎo)致圖像 ROI 不足以和文本 token 匹配，大家可以對比一下電商領(lǐng)域的圖 1(c) 和圖 1(d)。再看下通用領(lǐng)域的圖 1(a) 和圖 1(b)，你會(huì)發(fā)現(xiàn)通用領(lǐng)域簡單一些，只要能將圖像中的主體和文本 token alignment 到一起，基本不會(huì)太差。

3）電商圖像 ROI 噪音太大

如圖 1(f) 中提取的模特頭，頭發(fā)，手指，對于商品匹配來說用處不大。

這也就解釋了，電商領(lǐng)域也采用現(xiàn)有的 ROI 方式，并不能得到非常理想的結(jié)果。如果說，針對電商領(lǐng)域重新訓(xùn)練一個(gè)電商領(lǐng)域的 ROI 提取模型，需要大量的數(shù)據(jù)標(biāo)注工作。那么有沒有簡單易行的方法做圖文匹配擬合。

FashionBERT 圖文匹配模型

本文我們提出了 FashionBERT 圖文匹配模型，核心問題是如何解決電商領(lǐng)域圖像特征的提取或者表達(dá)。Google 在 2019 年年中發(fā)表了一篇文章圖像自監(jiān)督學(xué)習(xí)模型 selfie，主要思路是將圖像分割成子圖，然后預(yù)測子圖位置信息。從而使模型達(dá)到理解圖像特征的目的，這個(gè)工作對我們啟發(fā)很大。我們直接將圖像 split 相同大小的 Patch，然后將 Patch 作為圖像的 token，和文本進(jìn)行擬合，如圖二所示。使用 Patch 的好處：

圖像 Patch 包含了所有圖像的細(xì)節(jié)信息。

圖像 Patch 不會(huì)出現(xiàn)重復(fù)的 ROI 或者太多無用的 ROI。

圖像 Patch 是天然包含順序的，所以解決 BERT 的 sequence 問題。

FashionBERT 整體結(jié)構(gòu)如圖 2，主要包括 Text Embedding, Patch Embedding, Cross-modality FashionBERT，以及 Pretrain Tasks。

Text Embedding

和原始 BERT 一樣，先將句子分成 Token，然后我們采用 Whole Word Masking 技術(shù)將整個(gè) Token 進(jìn)行 masking。Masking 的策略和原始的 BERT 保持一致。

Patch Embedding

和 Text Embedding 類似，這里我們將圖片平均分成 8*8 個(gè) patch。每個(gè) Patch 經(jīng)過 ResNet 提取 patch 的圖像特征，我們提取 2048 維圖像特征。Patch mask 策略，我們隨機(jī) masked 10% 的 patch，masked 的 patch 用 0 代替。同時(shí)在 Segment 字段我們分別用 "T" 和 "I" 區(qū)分文 本token 輸入和圖像 patch 輸入。

Cross-modality FashionBERT

采用預(yù)訓(xùn)練的 BERT 為網(wǎng)絡(luò)，這樣語言模型天然包含在 FashionBERT 中。模型可以更加關(guān)注圖文匹配融合。

FashionBERT 模型在 pretrain 階段，總共包含了三個(gè)任務(wù)：

1  Masked Language Modeling (MLM)

預(yù)測 Masked Text Token，這個(gè)任務(wù)訓(xùn)練和參數(shù)我們保持和原始的 BERT 一致。

2  Masked Patch Modeling (MPM)

預(yù)測 Masked Patch，這個(gè)任務(wù)和 MLM 類似。但是由于圖像中沒有 id 化的 token。這里我們用 patch 作為目標(biāo)，希望 BERT 可以重構(gòu) patch 信息，這里我們選用了 KLD 作為 loss 函數(shù)。

3  Text and Image Alignment

和 Next Sentence Prediction 任務(wù)類似，預(yù)測圖文是否匹配。正樣本是產(chǎn)品標(biāo)題和圖片，負(fù)樣本我們隨機(jī)采樣同類目下其他產(chǎn)品的圖片作為負(fù)樣本。

這是一個(gè)多任務(wù)學(xué)習(xí)問題，如何平衡這些任務(wù)的學(xué)習(xí)權(quán)重呢？另外，還有一個(gè)問題，目前很多實(shí)驗(yàn)指出 BERT 中 NSP 的效果并不一定非常有效，對最終的結(jié)果的影響不是特別明朗。但是對于圖文匹配來說，Text and Image Alignment 這個(gè) loss 是至關(guān)重要的。那么如何平衡這幾個(gè)任務(wù)的學(xué)習(xí)呢？這里我們提出 adaptive loss 算法，我們將學(xué)習(xí)任務(wù)的權(quán)重看做是一個(gè)新的優(yōu)化問題，如圖 3 所示。FashionBERT 的 loss 是整體 loss 的加和，由于只有三個(gè)任務(wù)，其實(shí)我們可以直接得到任務(wù)權(quán)重 W 的解析解(具體的求解過程可以參考我們論文，這里不再贅述)。

整個(gè) w 的學(xué)習(xí)過程可以看做是一個(gè)學(xué)生想學(xué)習(xí)三門功課，w 的作用是控制學(xué)習(xí)的關(guān)注度，一方面控制別偏科，一方面總成績要達(dá)到最高。具體 adaptive loss 算法，可以參看論文。從實(shí)際的效果來看 w，隨著訓(xùn)練的迭代關(guān)注不同的任務(wù)，達(dá)到對任務(wù)做平衡的目的。

業(yè)務(wù)應(yīng)用

目前 FashionBERT 已經(jīng)開始在 Alibaba 搜索多模態(tài)向量檢索上應(yīng)用，對于搜索多模態(tài)向量檢索來說，匹配任務(wù)可以看成是一個(gè)文文圖匹配任務(wù)，即 User Query (Text)-Product Title (Text) - Product Image (Image) 三元匹配關(guān)系。FashionBERT 從上面的模型可以看到是一個(gè)基礎(chǔ)的圖文匹配模型，因此我們做了 Continue Pretrain 工作，同時(shí)加入 Query，Title，Image Segment 區(qū)分，如圖四所示。和 FashionBERT 最大的區(qū)別在于我們引入三個(gè) segment 類型，“Q”，“T”，“I” 分別代表 Query，Title，Image。