論文の概要: GeMi: A Graph-based, Multimodal Recommendation System for Narrative Scroll Paintings
- arxiv url: http://arxiv.org/abs/2603.00854v1
- Date: Sun, 01 Mar 2026 00:54:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.385179
- Title: GeMi: A Graph-based, Multimodal Recommendation System for Narrative Scroll Paintings
- Title（参考訳）: GeMi: ナラティブスクロールペイントのためのグラフベースのマルチモーダルレコメンデーションシステム
- Authors: Haimonti Dutta, Pruthvi Moluguri, Jin Dai, Saurabh Amarnath Mahindre,
- Abstract要約: グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、レコメンデーションシステムの特別なクラスである。
本研究では,フィールド研究から収集した新しいデータセットに基づいて,GNNに基づくレコメンデーションシステムの設計について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation Systems are effective in managing the ever-increasing amount of multimodal data available today and help users discover interesting new items. These systems can handle various media types such as images, text, audio, and video data, and this has made it possible to handle content-based recommendation utilizing features extracted from items while also incorporating user preferences. Graph Neural Network (GNN)-based recommendation systems are a special class of recommendation systems that can handle relationships between items and users, making them particularly attractive for content-based recommendations. Their popularity also stems from the fact that they use advanced machine learning techniques, such as deep learning on graph-structured data, to exploit user-to-item interactions. The nodes in the graph can access higher-order neighbor information along with state-of-the-art vision-language models for processing multimodal content, and there are well-designed algorithms for embedding, message passing, and propagation. In this work, we present the design of a GNN-based recommendation system on a novel data set collected from field research. Designed for an endangered performing art form, the recommendation system uses multimodal content (text and image data) to suggest similar paintings for viewing and purchase. To the best of our knowledge, there is no recommendation system designed for narrative scroll paintings -- our work therefore serves several purposes, including art conservation, a data storage system for endangered art objects, and a state-of-the-art recommendation system that leverages both the novel characteristics of the data and preferences of the user population interested in narrative scroll paintings.
- Abstract（参考訳）: Recommendation Systemsは、今日入手可能なマルチモーダルデータの継続的な増加を管理するのに有効であり、ユーザーが興味深い新しいアイテムを見つけるのに役立つ。
これらのシステムは、画像、テキスト、オーディオ、ビデオデータなどの様々なメディアタイプを扱えるため、コンテンツベースのレコメンデーションは、アイテムから抽出した機能を利用して、ユーザの好みを取り入れながら、コンテンツベースのレコメンデーションを処理できる。
グラフニューラルネットワーク(GNN)ベースのレコメンデーションシステムは、アイテムとユーザ間の関係を処理できるレコメンデーションシステムの特別なクラスであり、コンテンツベースのレコメンデーションには特に魅力的である。
彼らの人気は、グラフ構造化データに対するディープラーニングのような高度な機械学習技術を使用して、ユーザとイテムのインタラクションを利用するという事実にも起因している。
グラフ内のノードは、マルチモーダルコンテンツを処理するための最先端のビジョン言語モデルとともに、高次の隣の情報にアクセスすることができ、埋め込み、メッセージパッシング、伝播のためのよく設計されたアルゴリズムがある。
本研究では,フィールド研究から収集した新しいデータセットに基づいて,GNNに基づくレコメンデーションシステムの設計について述べる。
このレコメンデーションシステムは、絶滅危惧種の芸術形態のために設計され、マルチモーダルコンテンツ(テキストおよび画像データ)を使用して、類似した絵画を鑑賞・購入するために提案する。
我々の知識を最大限に活用するために、物語巻絵用にデザインされたレコメンデーションシステムはなく、アートの保存、絶滅危惧オブジェクトのデータ保存システム、そして物語巻絵に興味のある利用者の新たな特性と嗜好を両立する最先端のレコメンデーションシステムなど、いくつかの目的を担っている。
関連論文リスト
- A Recommender System for NFT Collectibles with Item Feature [24.201581738408045]
本稿では,さまざまなデータソースを用いて高精度なレコメンデーションを生成するNFTのためのレコメンデーションシステムを提案する。
本研究では,データ効率のよいグラフベースのレコメンデーションシステムを構築し,各項目とユーザ間の複雑な関係を効率的に把握する。
論文 参考訳（メタデータ） (2024-03-27T06:59:39Z) - Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。
KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。
提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
論文 参考訳（メタデータ） (2024-03-21T13:09:23Z) - Preference and Concurrence Aware Bayesian Graph Neural Networks for
Recommender Systems [5.465420718331109]
グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。
本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
論文 参考訳（メタデータ） (2023-11-30T11:49:33Z) - Embedding in Recommender Systems: A Survey [54.55152033023537]
本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。
マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。
パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Reinforcement Learning based Path Exploration for Sequential Explainable
Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。
TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。
2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-11-24T04:34:26Z) - Rating and aspect-based opinion graph embeddings for explainable
recommendations [69.9674326582747]
本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。
次に、AmazonとYelpが6つのドメインで生成したグラフに対して、最先端のグラフ埋め込み技術を適用し、評価し、ベースラインレコメンデータを上回っます。
論文 参考訳（メタデータ） (2021-07-07T14:07:07Z) - Graphing else matters: exploiting aspect opinions and ratings in
explainable graph-based recommendations [66.83527496838937]
本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。
次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。
提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
論文 参考訳（メタデータ） (2021-07-07T13:57:28Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。