对于视觉语义嵌入这一任务,现有的方法往往以双极化的方式对待查询样本与候选样本之间的相关性。对于模型而言,这些候选样本只能被看作为与查询样本完全相关或者完全不相关。其中,所有的“不相关”候选样本都会在嵌入空间中被以相同的边距均等地推离查询样本,而它们与查询样本之间实际上多样化的相关性则被完全忽略。这一实践忽视了数据之间相对的区分性信息,并且会在检索任务中带来次优的排序结果,以及更差的用户体验。尤其是在长尾查询场景中,候选数据库中不一定存在一个完美的匹配,此时这一实践带来的劣势会更加明显。针对这一问题,本文(1)首先引入一个用于建模查询样本和候选样本之间的相关性的连续变量,并提出根据这样的连续变量学习一个连贯的视觉语义嵌入空间。在一个连贯的视觉语义嵌入空间中,具有更高相关性的样本会被映射到离查询样本更近的位置,而相对具有更低相关性的样本会被映射到更远的位置。然而在实践中,采集具有这样连续变量的大规模数据集并不现实,因此本文提出通过转换跨模态相似度问题为单模态相似度问题来得到近似结果;(2)同时,通过扩展现有的三元组损失函数所对应的的不等式为一个更加一般化的不等式链,本文提出一个新的阶梯损失函数,并用于实现在嵌入空间中可变的推离边距。其中,不等式链的每个部分均被转化为绞链损失函数的形式并最终组成阶梯函数;(3)本文也基于肯德尔排序相关性系数提出一个新的的连惯性分数指标,用于更加妥当地衡量那些不完全相关候选样本之间的排序结果质量。该指标克服了此前相关工作中所采用的K召回指标忽视非真值候选样本,从而不能合理体现整体排序质量的问题。该方法已经在多个常用的视觉语义数据集,包括Flickr30K和MS-COCO上进行了大量的实验验证。实验结果显示该方法的性能相对现有最好方法有着大幅提升,在保持高的召回率指标的同时,大幅提高了连贯性分数。定性的可视化结果也显示本文所提出方法对用户体验的提升效果。可以预期,本文提出的方法在常规和长尾查询场景下均可提升检索结果排序质量以及用户体验。