Neues RAEA-Modell steigert Produktabgleich zwischen eBay und Amazon
Die Identifizierung identischer oder ähnlicher Produkte auf unterschiedlichen Online‑Marktplätzen bleibt eine zentrale Herausforderung im E‑Commerce. Durch die Konstruktion von Wissensgraphen (KGs) lässt sich das Proble…
- Die Identifizierung identischer oder ähnlicher Produkte auf unterschiedlichen Online‑Marktplätzen bleibt eine zentrale Herausforderung im E‑Commerce.
- Durch die Konstruktion von Wissensgraphen (KGs) lässt sich das Problem des Produktabgleichs in die Aufgabe der Entity Alignment (EA) umwandeln, bei der gleichwertige Ent…
- Aktuelle EA‑Methoden nutzen Attribute‑ und Relation‑Triples nicht ausreichend zusammen, insbesondere die Wechselwirkungen zwischen beiden.
Die Identifizierung identischer oder ähnlicher Produkte auf unterschiedlichen Online‑Marktplätzen bleibt eine zentrale Herausforderung im E‑Commerce. Durch die Konstruktion von Wissensgraphen (KGs) lässt sich das Problem des Produktabgleichs in die Aufgabe der Entity Alignment (EA) umwandeln, bei der gleichwertige Entitäten aus verschiedenen KGs erkannt werden sollen.
Aktuelle EA‑Methoden nutzen Attribute‑ und Relation‑Triples nicht ausreichend zusammen, insbesondere die Wechselwirkungen zwischen beiden. Das neue Verfahren führt einen zweistufigen Pipeline-Ansatz ein: zunächst ein grober Filter, danach ein feiner Filter, der speziell für den Abgleich von Produkten auf eBay und Amazon entwickelt wurde.
Im Kern steht das Relation‑aware und Attribute‑aware Graph Attention Network (RAEA). Dieses Modell fokussiert sich auf die Interaktion zwischen Attribut‑ und Relation‑Triples. Die Entitätsrepräsentation sammelt Alignment‑Signale über einen Attribut‑aware Entity Encoder und Relation‑aware Graph Attention Networks, wodurch die Übereinstimmung von Produkten präziser erfasst wird.
Experimentelle Ergebnisse zeigen, dass RAEA die Leistung gegenüber zwölf bestehenden Baselines im Cross‑Lingual‑Datensatz DBP15K um durchschnittlich 6,59 % bei Hits@1 steigert und im monolingualen Datensatz DWY100K konkurrenzfähige Ergebnisse liefert. Der Quellcode für die Experimente ist auf GitHub verfügbar: RAEA‑Model for Entity Alignment.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.