Meta AI 推出 LIGER 混合检索 AI 模型，计算效率与推荐精度兼得

IT之家报道，Meta AI的研究人员提出了一种名为LIGER的AI模型，结合了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中的难题，并为构建更高效、更精准的推荐系统提供了新的思路。

项目背景

推荐系统是用户与内容、产品或服务联系的重要一环。传统方法是利用密集检索进行序列建模来计算项目和用户表示。

然而，密集检索需要大量计算资源和存储空间，随着数据集的增长，这些要求变得越来越繁重。

另一种新方法是生成检索，通过生成模型预测项目索引来减少存储需求，但在冷启动项目方面表现不佳。

项目介绍

Meta AI与多家机构合作，推出了LIGER模型，结合了密集检索和生成检索，有效平衡了效率和准确性。

该模型利用双向Transformer编码器和生成解码器，通过混合推理过程来降低计算需求并保持推荐质量。

LIGER在Amazon Beauty、Sports、Toys和Steam等基准数据集上的性能持续优于现有最先进模型。

此外，LIGER还能很好地泛化到未见过的项目，并解决了生成模型的关键限制。

LIGER性能

评估结果显示，LIGER在多个数据集上的性能比现有模型更优秀，并表现出良好的适应性和效率。

在Amazon Beauty数据集上，LIGER对冷启动项目的Recall@10得分为0.1008，明显高于同类模型TIGER。在Steam数据集上，LIGER的Recall@10达到0.0147，同样优于TIGER。

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，展现其高效性和适应性。

IT之家附上参考地址

• Unifying Generative and Dense Retrieval for Sequential Recommendation

广告声明：文内含有的对外跳转链接仅供参考。