Meta AI 的研究人員提出了一種名為 LIGER 的新型 AI 模型，巧妙地結合密集檢索和生成檢索的優勢，顯著提升了生成式推薦系統的性能。

　　LIGER 有效地解決了傳統推薦系統在計算資源、存儲需求和冷啟動項目處理上的難題，為構建更高效、更精準的推薦系統提供了新的思路。

　　項目背景

　　想要把用戶與相關內容、產品或服務聯系起來，推薦系統是其中重要一環。該領域的常規方法是密集檢索（Dense retrieval），利用序列建模來計算項目和用戶表示。

　　但這種方法由于要嵌入每個項目，因此需要大量的計算資源和存儲。隨著數據集的增長，這些要求變得越來越繁重，限制了它們的可擴展性。

　　而另一種新興的方法叫做生成檢索（Generative retrieval），通過生成模型預測項目索引來減少存儲需求，但該方式存在性能問題，在冷啟動項目(用戶交互有限的新項目)中表現尤為明顯。

　　項目介紹

　　Meta AI 公司聯合威斯康星大學麥迪遜分校、ELLIS Unit、LIT AI Lab、機器學習研究所、JKU Linz 等機構，混合密集檢索和生成檢索，推出了 LIGER(LeveragIng dense retrieval for GEnerative Retrieval)模型。

　　該模型混合了生成檢索的計算效率和密集檢索的精度，利用生成檢索生成候選集、語義 ID 和文本屬性的項目表示，再通過密集檢索技術進行精練，平衡了效率和準確性。

　　LIGER 采用雙向 Transformer 編碼器和生成解碼器。密集檢索部分整合了項目文本表示、語義 ID 和位置嵌入，并使用余弦相似度損失進行優化。生成部分使用波束搜索根據用戶交互歷史預測后續項目的語義 ID。

　　通過這種混合推理過程，LIGER 降低了計算需求，同時保持了推薦質量。LIGER 還能很好地泛化到未見過的項目，解決了先前生成模型的關鍵限制。

　　LIGER 性能

　　在 Amazon Beauty、Sports、Toys 和 Steam 等基準數據集上的評估顯示，LIGER 的性能持續優于 TIGER 和 UniSRec 等現有最先進模型。

　　例如，在 Amazon Beauty 數據集上，LIGER 對冷啟動項目的 Recall@10 得分為 0.1008，而 TIGER 為 0.0。在 Steam 數據集上，LIGER 的 Recall@10 達到了 0.0147，同樣優于 TIGER 的 0.0。

　　隨著生成方法檢索的候選數量增加，LIGER 與密集檢索的性能差距縮小，展現了其適應性和效率。