2024-08-31 14:19 湖北
Photoshop母公司Adobe，CLIP，多模态创意知识图谱，监督对比损失
传统的搜索系统通常依赖于文本和元数据来索引图像，而新兴的多模态嵌入技术，如CLIP，允许直接使用文本和图像嵌入进行搜索。然而，在企业落地中整合用户地域、时间等因素的上下文特征方面存在挑战，以及一些技术选型：
• 使用哪个（些）嵌入模型• 是否利用嵌入进行匹配（召回）、排名或重新排名• 是否使用密集型或稀疏型嵌入• 是否对头部和尾部查询进行相同处理• 是否在空值和低恢复或所有地方使用嵌入
Adobe（Photoshop的母公司） Express模板搜索示例。左侧：头部查询咖啡Instagram。右侧：尾部查询多彩咖啡促销Instagram。
详细剖析Adobe Express模板搜索中采用的多模态搜索技术架构，通过一系列A/B测试来优化嵌入和多模态技术的使用。研究的核心在于如何利用稀疏、密集和上下文特征来增强对长、短查询的搜索能力，从而显著降低空查询率和提高点击率，提高搜索的相关性和用户体验
Adobe Express模板多模态搜索的高级搜索架构
模板数据（Template Data）：
Adobe Express模板是包含丰富视觉层和文本框的复杂对象，可以作为图像显示在搜索结果中。
模板具有由设计师提供的标题和筛选信息，如设计类型、风格、情绪、地区和价格（免费/高级）。
每个模板还包含多模态嵌入、用户意图和图像标签等推断信息。
可用的聚合行为数据包括展示次数、点击次数、编辑次数（用户为个性化模板所做的编辑次数）和导出次数（编辑后模板的导出次数）。
可用于搜索匹配和排名的示例Adobe Express模板数据
图像-文本CLIP嵌入（Image-Text CLIP Embeddings）：
CLIP模型能够将图像和文本嵌入到同一空间，允许使用文本查询进行基于嵌入的图像搜索。
为了满足Express模板搜索的需求，Adobe训练了一个基于CLIP架构的模型，该模型适用于短文本（查询）和长文本（标题），支持五种语言（英语、法语、德语、日语、韩语），并且在高质量的图像数据上表现良好，包括模板、照片和插图。
为了提高在大量资产中使用嵌入时的延迟，Adobe采用了稀疏化方法，允许嵌入像现有索引中的关键词一样使用。
密集和稀疏嵌入表示以及稀疏嵌入的样本评分。密集嵌入显示为2048维。稀疏嵌入具有更多维度（此处为8192维），但大多数维度没有值。
多模态创意知识图谱（Multi-Modal Creative Knowledge Graph）：
除了通过AdobeCLIP学习内容表示外，还发现将内容的意图映射到离散节点可以提高召回率和可解释性，并允许下游推荐任务。
为此，创建了一个“创意”知识图谱（CKG），包含超过100K个节点，专注于Adobe特定的用户意图。
接着，训练了一个多模态变换器（MM-CKG），专门用于将资产映射到这些离散节点，使用监督对比训练。
利用事件、动作、对象、情绪、画布类型、颜色和背景等概念，以获得对资产内容的全面理解。
为了训练模型，创建了受CLIP启发的序列自注意力块，并在CLIP骨干网络上添加了序列自注意力块，通过多头变换器块进行处理。
MM-CKG 使用带有 SupCoLA 损失的监督对比学习进行标签对齐。这使得模型能够将关注资产整体意图的简短标签更接近内容嵌入。
监督对比损失（Supervised Contrastive Loss, SupCoLA）：
设计了一个损失函数，以确保训练过程中的图像和文本与标签嵌入对齐，并能够处理批次中的多个正样本以及每行的多个标签。
该损失函数基于SupCon损失，将图像、文本和标签嵌入作为锚点特征和对比特征传递。
通过在Adobe Express模板搜索中进行的五个多模态实验，每个实验都建立在前一个实验的基础上，研究团队成功地显著降低了空查询和低查询率，同时提高了点击率。
CLIP重新排名的AB测试结果。所有结果都具有统计学意义
CKG符号意图空值和低恢复的AB测试结果。所有结果都具有统计学意义
包括CLIP到AdobeCLIP的平台迁移的AB测试结果。只有空值率的变化具有统计学意义
长提示理解的AB测试结果
当利用MM-CKG进行召回和排名时，相关性结果来自人工标注
https://arxiv.org/pdf/2408.14698Smart Multi-Modal Search: Contextual Sparse and Dense Embedding Integration in Adobe Express
推荐阅读
• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
