对话系统中多模态匹配公式的问题，可付费咨询

学习过NLP方向并做过相关研究工作。目前对一篇多模态对话系统的论文中两个跨模态匹配的公式有一些疑问。请问有熟悉这一方向或这两个公式的吧友么？论文名称：《Visual Dialogue State Tracking for Question Generation》