我这几天结合之前的阅读梳理了一下关于multi-modal相关的文献，附件包含了所列文献，你可以按照以下内容进行系统调研：
一、调研建议首先从综述入手，再针对综述中的参考文献进行深入调研，以下是比较好的Multi-modal方面的一些综述：
（1）ACL 2020上有个Tutorial：Multi-modal Information Extraction from Text, Semi-structured, and Tabular Data on the Web，地址：Multi-modal Information Extraction from Text, Semi-structured, and Tabular Data on the Web
（2）KDD2020 上有个Tutorial：Multi-modal Network Representation Learning，地址：https://chuxuzhang.github.io/KDD20_Tutorial.html
（3）多模态视觉语言表征学习研究综述 (软件学报2021)
（4）Survey on Deep Multi-modal Data Analytics Collaboration Rivalry and Fusion (ACM Trans. Multimedia Comput. Commun. Appl. 2021)
（5）A Survey on Deep Learning for Multimodal Data Fusion (Neural Computation2020)
（6）Multimodal Machine Learning A Survey and Taxonomy (IEEE Transactions on Pattern Analysi