背景
隨著 Web 技術發展，互聯網上包含大量的多模態信息（包括文本，圖像，語音，視頻等）。從海量多模態信息搜索出重要信息一直是學術界研究重點。多模態匹配核心就是圖文匹配技術 (Text and Image Matching)，這也是一項基礎研究，在非常多的領域有很多應用，例如圖文檢索 (Cross-modality IR)，圖像標題生成 (Image Caption)，圖像問答系統 (Vision Question Answering)， 圖像知識推理 (Visual Commonsense Reasoning)。但是目前學術界研究重點放在通用領域的多模態研究，針對電商領域的多模態研究相對較少，然而電商領域也非常需要多模態匹配模型，應用場景特別多。本文重點關注電商領域圖文多模態技術研究。
多模態匹配研究簡史
跨模態研究核心重點在於如何將多模態數據匹配上，即如何將多模態信息映射到統一的表徵空間。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，然後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習方法還是有待提高的。雖然後期也有基於深度學習的方案 (DCCA)，但是對比後面的 VSE 方法還有一定差距。
VSE 系統方法
將圖像和文本分別表示成 Latent Embedding，然後將多模態 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拿到不錯效果。
隨著 pre-training 和 self-supervised 技術在 CV 和 NLP 領域的應用。2019 年開始，有學者開始嘗試基於大規模數據，使用預訓練的 BERT 模型將圖文信息擬合同一空間。這些方法在通用領域取得很好的效果，這一系列的方法可以參看 VLBERT 這篇 Paper。
基於 BERT 的預訓練圖文模型的主要流程：
1）利用圖像目標檢測技術先識別圖像中的 Region of Interests(RoIs)。
2）把 ROI 當做圖像的 token，和文本 token 做 BERT 多模態融合，這裡面有兩個方案：
- 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，然後在放入到 BERT。
我們嘗試了 ViLBERT 方法，發現在通用領域效果確實不錯。但是在電商領域，由於提取的 ROI 並不理想，導致效果低於預期。主要原因在於：
1）電商圖像 ROI 太少
電商圖像產品單一，背景簡單提取 ROI 很少，如圖 1(c)。統計來看，通用領域 MsCoCo 數據，每張圖像可以提取 19.8 個 ROI，但是電商只能提取 6.4 個 ROI。當然我們可以強制提取最小的 ROI，比如 ViLBERT 要求在 10~36 個，VLBERT 要求 100 個。但是當設定最小提取的 ROI 後，又提取了太多了重複的 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 的產品 (例如，整體連衣裙，T-shirt 等) 。相對文本來說，不夠細粒度 fine-grain，比如文本里面可以描述主體非常細節屬性 (如，圓領，九分褲，七分褲等等)。這就導致圖像 ROI 不足以和文本 token 匹配，大家可以對比一下電商領域的圖 1(c) 和圖 1(d)。再看下通用領域的圖 1(a) 和圖 1(b)，你會發現通用領域簡單一些，只要能將圖像中的主體和文本 token alignment 到一起，基本不會太差。
3）電商圖像 ROI 噪音太大
如圖 1(f) 中提取的模特頭，頭髮，手指，對於商品匹配來說用處不大。
這也就解釋了，電商領域也採用現有的 ROI 方式，並不能得到非常理想的結果。如果說，針對電商領域重新訓練一個電商領域的 ROI 提取模型，需要大量的數據標註工作。那麼有沒有簡單易行的方法做圖文匹配擬合。
圖1: 電商領域 ROI 問題
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域圖像特徵的提取或者表達。Google 在 2019 年年中發表了一篇文章圖像自監督學習模型 selfie，主要思路是將圖像分割成子圖，然後預測子圖位置信息。從而使模型達到理解圖像特徵的目的，這個工作對我們啟發很大。我們直接將圖像 split 相同大小的 Patch，然後將 Patch 作為圖像的 token，和文本進行擬合，如圖二所示。使用 Patch 的好處：
- 圖像 Patch 包含了所有圖像的細節信息。
- 圖像 Patch 不會出現重複的 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 整體結構如圖 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，然後我們採用 Whole Word Masking 技術將整個 Token 進行 masking。Masking 的策略和原始的 BERT 保持一致。
Patch Embedding
和 Text Embedding 類似，這裡我們將圖片平均分成 8*8 個 patch。每個 Patch 經過 ResNet 提取 patch 的圖像特徵，我們提取 2048 維圖像特徵。Patch mask 策略，我們隨機 masked 10% 的 patch，masked 的 patch 用 0 代替。同時在 Segment 字段我們分別用 "T" 和 "I" 區分文 本token 輸入和圖像 patch 輸入。
Cross-modality FashionBERT
採用預訓練的 BERT 為網絡，這樣語言模型天然包含在 FashionBERT 中。模型可以更加關注圖文匹配融合。
圖2: FashionBERT 主要框架
FashionBERT 模型在 pretrain 階段，總共包含了三個任務：
1 Masked Language Modeling (MLM)
預測 Masked Text Token，這個任務訓練和參數我們保持和原始的 BERT 一致。
2 Masked Patch Modeling (MPM)
預測 Masked Patch，這個任務和 MLM 類似。但是由於圖像中沒有 id 化的 token。這裡我們用 patch 作為目標，希望 BERT 可以重構 patch 信息，這裡我們選用了 KLD 作為 loss 函數。
3 Text and Image Alignment
和 Next Sentence Prediction 任務類似，預測圖文是否匹配。正樣本是產品標題和圖片，負樣本我們隨機採樣同類目下其他產品的圖片作為負樣本。
這是一個多任務學習問題，如何平衡這些任務的學習權重呢？另外，還有一個問題，目前很多實驗指出 BERT 中 NSP 的效果並不一定非常有效，對最終的結果的影響不是特別明朗。但是對於圖文匹配來說，Text and Image Alignment 這個 loss 是至關重要的。那麼如何平衡這幾個任務的學習呢？這裡我們提出 adaptive loss 算法，我們將學習任務的權重看做是一個新的優化問題，如圖 3 所示。FashionBERT 的 loss 是整體 loss 的加和，由於只有三個任務，其實我們可以直接得到任務權重 W 的解析解(具體的求解過程可以參考我們論文，這裡不再贅述)。
圖3: Adaptive Loss
整個 w 的學習過程可以看做是一個學生想學習三門功課，w 的作用是控制學習的關注度，一方面控制別偏科，一方面總成績要達到最高。具體 adaptive loss 算法，可以參看論文。從實際的效果來看 w，隨著訓練的迭代關注不同的任務，達到對任務做平衡的目的。
業務應用
目前 FashionBERT 已經開始在 Alibaba 搜索多模態向量檢索上應用，對於搜索多模態向量檢索來說，匹配任務可以看成是一個文文圖匹配任務，即 User Query (Text)-Product Title (Text) - Product Image (Image) 三元匹配關係。FashionBERT 從上面的模型可以看到是一個基礎的圖文匹配模型，因此我們做了 Continue Pretrain 工作，同時加入 Query，Title，Image Segment 區分，如圖四所示。和 FashionBERT 最大的區別在於我們引入三個 segment 類型，“Q”，“T”，“I” 分別代表 Query，Title，Image。
圖4: FashionBERT Continue Pretrain
Continue Pretrain 之後的模型可以在非常小的 finetune 數據上就快速拿到非常不錯的效果。目前我們向量檢索模型如下圖 5：
圖5: 向量檢索 3.0 多模態強交互匹配模型
上圖中我們採用雙塔模型 (塔之間參數共享)，這樣可以方便在線 Query 向量生成和離線的產品向量生成。另外在 Query 側，我們用共現的 Query 輔助 Query 的特徵表達，在產品側，我們用擴展信息擴大產品語義表達。
實驗效果
公開數據集
我們採用 FashionGen 數據集，對比了主流圖文匹配技術，以及最新的 ViLBERT 和 VLBERT，在圖文匹配和 Cross-modality Retrieval 效果如下，FashionBERT 取得非常明顯的提升。
ICBU 數據上
對比 BERT 模型，效果提升也非常明顯。同時由於線上預測性能問題，finetune 模型做了模型約減，我們只用了 FashionBERT 前兩層，同時引入緩存，動態可變長度 Variable Sequence Length (VSL) 策略，這樣大大提升了 FashionBERT 線上服務性能。如下表所示。
目前論文已經被信息檢索領域國際頂級會議 SIGIR20 Industry Track 中接收。預印版本見這裡：https://arxiv.org/abs/2005.09801。感興趣的同學後續可以看我們的論文，有更加詳細的對比。
後續規劃
圖文匹配方向雖然已經有很長的研究歷史了，但是基於 pretrain BERT 的方式還方興未艾。後續我們計劃在四個方面進行進一步優化：
- 圖像多尺度變化：多圖像做多尺度變化，獲取不同尺度下圖像細粒度特徵。
- 文本 & 圖像對齊：引入其他信息或者其他方式，在預訓練過程中對文本 token 和圖像區域做一定的對齊。
- 行業知識引入：引入行業知識，學習不同行業下圖文匹配模型。
- 視頻理解：做文本，圖像，視頻多模態理解。
相信基於 BERT 的強大擬合能力，多模態信息的匹配融合會越來越智能。
最後想說的是，我們招人！我所在的部門是新零售技術事業群，主要負責 alibaba.com 網站和 APP 的搜索、推薦、商品等領域相關的算法工作。非常期待具備機器學習 / 自然語言處理 / 圖像處理 / 數據挖掘背景的同學加入。有意向的同學可以把簡歷發到我的郵箱中 [email protected]。
賈揚清直播分享 | 人工智能算法和系統的進化
賈揚清，曾任 Facebook AI 架構部門總監、Google Brain 研究科學家，Caffe 之父，TensorFlow 的作者之一，加州大學伯克利分校計算機科學博士學位，通過本次分享，介紹人工智能在近幾年當中的算法和相應系統的進化過程，同時從技術角度闡述產品形態和用戶場景。
識別下方二維碼或點擊文末“閱讀原文”立馬觀看：