論文の概要: E-MMKGR: A Unified Multimodal Knowledge Graph Framework for E-commerce Applications

• arxiv url: http://arxiv.org/abs/2602.20877v1
• Date: Tue, 24 Feb 2026 13:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.759411
• Title: E-MMKGR: A Unified Multimodal Knowledge Graph Framework for E-commerce Applications
• Title（参考訳）: E-MMKGR:Eコマースアプリケーションのための統一マルチモーダル知識グラフフレームワーク
• Authors: Jiwoo Kang, Yeon-Chang Lee,
• Abstract要約: E-MMKGRは,eコマース固有のマルチモーダル知識グラフE-MMKGを構築するフレームワークである。 E-MMKGRは、GNNベースの伝搬とKG指向の最適化を通じて、統一されたアイテム表現を学習する。 実世界のAmazonデータセットの実験では、レコメンデーションのためにRecall@10で最大10.18%、製品検索のためのベクトルベースの検索で最大21.72%改善されている。
• 参考スコア（独自算出の注目度）: 11.39056352781438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal recommender systems (MMRSs) enhance collaborative filtering by leveraging item-side modalities, but their reliance on a fixed set of modalities and task-specific objectives limits both modality extensibility and task generalization. We propose E-MMKGR, a framework that constructs an e-commerce-specific Multimodal Knowledge Graph E-MMKG and learns unified item representations through GNN-based propagation and KG-oriented optimization. These representations provide a shared semantic foundation applicable to diverse tasks. Experiments on real-world Amazon datasets show improvements of up to 10.18% in Recall@10 for recommendation and up to 21.72% over vector-based retrieval for product search, demonstrating the effectiveness and extensibility of our approach.
• Abstract（参考訳）: マルチモーダルレコメンダシステム(MMRS)は、アイテム側モダリティを活用することで協調フィルタリングを強化するが、固定されたモダリティセットとタスク固有の目的に依存しているため、モダリティ拡張性とタスク一般化の両方が制限される。 本稿では,E-MMKGRを提案する。E-MMKGRは,E-コマース固有のマルチモーダル知識グラフE-MMKGを構築し,GNNベースの伝搬とKG指向の最適化を通じて統一されたアイテム表現を学習するフレームワークである。 これらの表現は、多様なタスクに適用可能な共有セマンティック基盤を提供する。 実世界のAmazonデータセットの実験では、レコメンデーションのためにRecall@10で最大10.18%、製品検索のためのベクトルベースの検索で最大21.72%の改善があり、私たちのアプローチの有効性と拡張性を示している。

関連論文リスト

• Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts [15.976682531132676]
  本稿では,Mixture-of-Experts(MoE)アーキテクチャとマルチ埋め込み戦略を統合するフレームワークであるFuxi-MMEを提案する。 具体的には, 従来の単一埋込行列を複数の低次元埋込行列に分解する。
  論文  参考訳（メタデータ） (2025-10-29T08:42:15Z)
• UniECS: Unified Multimodal E-Commerce Search Framework with Gated Cross-modal Fusion [20.13803245640432]
  現在のeコマースマルチモーダル検索システムは2つの重要な制限に直面している。 彼らは、固定されたモダリティペアリングで特定のタスクを最適化し、統一された検索アプローチを評価するための包括的なベンチマークを欠いている。 画像,テキスト,およびそれらの組み合わせにわたるすべての検索シナリオを処理する統合マルチモーダルeコマース検索フレームワークであるUniECSを紹介する。
  論文  参考訳（メタデータ） (2025-08-19T14:06:13Z)
• MoE-MLoRA for Multi-Domain CTR Prediction: Efficient Adaptation with Expert Specialization [0.0]
  MoE-MLoRAはエキスパートの混成フレームワークで、各専門家はドメインを専門にするために独立して訓練される。 MoE-MLoRAはMovielensとTaobaoの8つのCTRモデルで評価した。
  論文  参考訳（メタデータ） (2025-06-09T09:03:05Z)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
  大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。 我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。 Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
  論文  参考訳（メタデータ） (2024-04-13T12:14:58Z)
• Noise-powered Multi-modal Knowledge Graph Representation Framework [52.95468915728721]
  マルチモーダル・プレトレーニングの台頭は、統合されたマルチモーダル知識グラフ表現学習フレームワークの必要性を強調している。 モードレベルのノイズマスキングを備えたトランスフォーマーアーキテクチャを用いた新しいSNAG手法を提案する。 提案手法は10個のデータセットにまたがってSOTA性能を実現し,その汎用性を実証する。
  論文  参考訳（メタデータ） (2024-03-11T15:48:43Z)
• MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
  本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。 MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
  論文  参考訳（メタデータ） (2023-08-14T15:47:36Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。