基于多模态表示学习的商品匹配

基于摘要分析。本文研究 CCKS 2022 同款商品挖掘任务，针对商品文本表示及文本与图像表示融合两个问题，提出 K-Gram Exponential Decay 邻词信息聚合方案，并结合多模态表示学习与样本对对比学习完成商品匹配。研究对象是商品文本、图像及商品对，不是 EEG 或 BCI 数据。 方法上，K-Gram Exponential Decay 用于文本表示模块，以聚合周围词语的信息；摘要未给出衰减公式、邻域范围或其与文本编码器的连接方式。作者采用常规多模态表示学习，将文本与图像表示组合为商品表示，并将同款商品挖掘视为商品对二分类任务，采用基于样本对的对比学习。具体融合结构、对比损失、正负样本构造及训练与推理流程尚未验证。 作者报告，实验支持方法有效，并通过模型集成和后处理取得竞赛第一名。该结果对应 CCKS 2022 同款商品挖掘竞赛及包含集成、后处理的完整方案；摘要未提供评估指标、具体分数、数据规模、划分方式或对照基线，因此不能量化各模块的独立贡献。实验协议、消融及统计信息尚未验证，复现还需核对数据获取条件、预处理、集成配置与后处理规则。 现有材料未建立商品文本—图像融合与 EEG/BCI 问题之间的具体机制对应，不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。