Модель Order-Embeddings выстраивает четкую визуально-семантическую иерархию, связывая изображения и текст через структуру частичного порядка. Такой подход позволяет ИИ глубже понимать контекст и взаимосвязи между объектами, что критически важно для точного создания описаний к картинкам.
Hypernymy, textual entailment, and image captioning can be seen as special cases of a single visual-semantic hierarchy over words, sentences, and images. In this paper we advocate for explicitly modeling the partial order structure of this hierarchy. Towards this goal, we introduce a general method for learning ordered representations, and show how it can be applied to a variety of tasks involving images and language. We show that the resulting representations improve performance over current approaches for hypernym prediction and image-caption retrieval.