IT之家1月2日消息，MetaAI的研究人员提出了一种名为LIGER的新型AI模型，巧妙地结合密集检索和生成检索的优势，显著提升了生成式推荐系统的性能。
LIGER有效地解决了传统推荐系统在计算资源、存储需求和冷启动项目处理上的难题，为构建更高效、更精准的推荐系统提供了新的思路。
项目背景
想要把用户与相关内容、产品或服务联系起来，推荐系统是其中重要一环。该领域的常规方法是密集检索（Denseretrieval），利用序列建模来计算项目和用户表示。
但这种方法由于要嵌入每个项目，因此需要大量的计算资源和存储。随着数据集的增长，这些要求变得越来越繁重，限制了它们的可扩展性。
而另一种新兴的方法叫做生成检索（Generativeretrieval），通过生成模型预测项目索引来减少存储需求，但该方式存在性能问题，在冷启动项目（用户交互有限的新项目）中表现尤为明显。
项目介绍
MetaAI公司联合威斯康星大学麦迪逊分校、ELLISUnit、LITAILab、机器学习研究所、JKULinz等机构，混合密集检索和生成检索，推出了LIGER（LeveragIngdenseretrievalforGEnerativeRetrieval）模型。
该模型混合了生成检索的计算效率和密集检索的精度，利用生成检索生成候选集、语义ID和文本属性的项目表示，再通过密集检索技术进行精练，平衡了效率和准确性。
LIGER采用双向Transformer编码器和生成解码器。密集检索部分整合了项目文本表示、语义ID和位置嵌入，并使用余弦相似度损失进行优化。生成部分使用波束搜索根据用户交互历史预测后续项目的语义ID。
通过这种混合推理过程，LIGER降低了计算需求，同时保持了推荐质量。LIGER还能很好地泛化到未见过的项目，解决了先前生成模型的关键限制。
LIGER性能
在AmazonBeauty、Sports、Toys和Steam等基准数据集上的评估显示，LIGER的性能持续优于TIGER和UniSRec等现有最先进模型。
例如，在AmazonBeauty数据集上，LIGER对冷启动项目的Recall@10得分为0.1008，而TIGER为0.0。在Steam数据集上，LIGER的Recall@10达到了0.0147，同样优于TIGER的0.0。
随着生成方法检索的候选数量增加，LIGER与密集检索的性能差距缩小，展现了其适应性和效率。
IT之家附上参考地址
