gydtep

图像信息使用双分支进行特征提取，文本信息使用BERT进行特征提取，最后再将文本特征与视觉特征进行融合。

gydtep

3 模型效果
在新的技术方案下，POI牌匾图像检索取得了非常好的效果，准确率和召回率都大于95%，大幅提升了线上指标，并且模型速度也有了巨大的提升。我们随机选择了一些匹配结果，如图10所示。

gydtep

半监督学习利用有标签数据训练出的模型来对海量无标签数据产生伪标签，进一步标签数据和伪标签数据混合后再优化模型。

gydtep

另一方面，LXMERT、ViLBERT和FashionBERT引入了双流架构，首先独立提取图像和文本的特征，然后使用更复杂的cross-attention机制来完成它们的交互。

gydtep

为了进一步提高性能，VLP应用了一个共享的多层Transformer进行编码和解码，用于图像字幕和VQA。基于单流架构，InterBERT将两个独立的Transformer流添加到单流模型的输出中，以捕获模态独立性。

gydtep

一方面，这些模型不能建模多模态商品知识图谱的结构化信息，另一方面，在电商多模态知识图谱中，模态缺失和模态噪声是两个挑战（主要是文本和图片的缺失和噪声），

gydtep

有的卖家提供的商品图片(或标题)没有正确的主题或语义。图 2中的Item-2和Item-3分别显示了阿里场景中的模态噪声和模态缺失的例子。

gydtep

桌号来进行上菜以及收账。
再来举一个例子，在我们设计用户信息的时候，这其中就会包括用户的地址，用户的地址实际是由这个用户是哪个省的，哪个市的，哪个县的以及具体地址是什么、邮编是什么等等属性信息组成，那么这个地址信息在用户信息中实际就是一个值对象，他不需要唯一的ID来标识。

gydtep

实体
和值对象不同的是，实体是有唯一标识的，这就好比我们每个人都会有身份证，身份证上面的身份证号码就是每个人的唯一标识。另外这个身份证号码会一直跟着我们不会改变，即使你改了名字户口状态变化，但是身份证号码是不会变化的，这也是实体的另一个特征就是它具有延续性。实体对应了业务对象的业务属性以及业务行为。

gydtep

1、事件风暴
通过事件风暴的方法可以实现快速分析和分解复杂的业务领域，分析并提取出对应的领域模型。事件风暴是早2013年提出来的，通过组织领域专家、以及项目团队成员在一起通过头脑风暴的方式，通过梳理业务领域中所有的领域事件以及领域事件的参与者以及输入。