Meta AI推出LIGER混合检索AI模型 计算效率与推荐精度兼得

　　Meta AI 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（Dense retrieval），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（Generative retrieval），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

　　Meta AI 公司联合威斯康星大学麦迪逊分校、ELLIS Unit、LIT AI Lab、机器学习研究所、JKU Linz 等机构，混合密集检索和生成检索，推出了 LIGER(LeveragIng dense retrieval for GEnerative Retrieval)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 Amazon Beauty、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 Amazon Beauty 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。