通过 Attribute-Aware Implicit Modality Alignment (AIMA) 框架，使用 CLIP 模型及 Attribute-IoU Guided Intra-Modal Contrastive (A-IoU IMC) Loss，实现了文本属性人物搜索中文本属性与图像之间的对齐和表示匹配，进一步优化了语义排列。

Jun, 2024

本文提出了名为 MALS 的大型文本人物检索数据集，探讨了在属性识别和图像文本匹配任务上进行预训练的可行性，并使用 APTM 框架进行验证，取得了 3 个现实世界基准测试的最新检索表现。

Jun, 2023

本文提出了一种简单而有效的文本语义匹配训练策略，将关键词从意图中解离开来，可以与预训练语言模型 PLM 轻松结合，而且在三个基准测试中与各种 PLMs 相比具有稳定的性能提升。

Mar, 2022

本论文主要介绍了一种称为 Iterative Matching and Translation (IMaT) 的方法，用于在保留语义内容的同时，自动重写句子以具备某些语言属性。该方法通过构建伪并行语料库来对齐语义相似的原始和目标语料库中的子集，然后应用标准的序列到序列模型来学习属性转移，并通过优化对齐中的不完美部分来迭代改善所学的转移函数。在情感修改和形式转移任务中，该方法表现优异。同时，作者提供了一个公开可用的测试集作为辅助贡献。

Jan, 2019

通过在单词嵌入中联合学习文本特征的分布式表征的一般框架，我们提出了一种第三阶段模型，其中单词环境和属性向量相互作用以预测序列中的下一个单词，并通过情感分类、跨语言文本分类和博客作者归因等多个实验任务进行了评估。

Jun, 2014

本文介绍了一种基于多模态架构和深度模型的方法，从文本和图像中提取商品属性，旨在改善在线市场的用户体验。在实验中，该方法表现出良好的效果，并成功应用于 Rakuten-Ichiba 等在线市场。

Mar, 2022

通过引入预训练模型，我们提出了一种新颖的实体匹配模型 (EMM-CCAR)，该模型将匹配任务转化为序列匹配问题，以减轻不同数据格式的影响。通过引入注意机制，该模型能够确定属性之间复杂的关系，强调多个属性之间的匹配程度而不仅仅是一对一的对应关系。使用 EMM-CCAR 模型能够有效应对数据异质性和复杂的属性关联，与现有的 DER-SSM 和 Ditto 方法相比，我们的模型在 F1 得分上分别提升了约 4% 和 1%，为解决实体匹配中属性复杂性的问题提供了一种强大的解决方案。

Sep, 2023

提出了一个针对两流图像 - 文本匹配的多视图注意力方法（MVAM），通过多样的注意头学习多个图像和文本表示，并将这些表示连接起来进行匹配，以实现更好的匹配性能和更全面的表示。

Feb, 2024

提出了属性感知的多模态实体链接技术，利用多模态知识库中每个实体的文本描述、图片和属性值，结合 18,472 个评论和 35,598 个产品的大型数据集 AMELI，揭示属性信息在实体链接过程中的重要性，建立了该领域的基准数据集和解决方案。

May, 2023

本文提出了一种基于 TIMAM 和 BERT 的文本图像匹配模型，该模型可以学习到模态不变的特征表示，在四个公开数据集上取得了最优的交叉模态匹配性能，排名 1 的准确率提高了 2％到 5％。

Aug, 2019