Meta AI 提出 LIGER：一種協同結合密集檢索和生成檢索優勢的新型人工智能方法

在推薦系統領域，一項新的突破正在引發廣泛關注。來自威斯康星大學麥迪遜分校、ELLIS 研究單位、LIT AI 實驗室、奧地利林茨 JKU 機器學習研究所以及 Meta AI 的頂尖研究人員共同推出了一種名為 LIGER（LeveragIng dense retrieval for GEnerative Retrieval）的混合檢索模型。該模型巧妙融合了密集檢索的精確性和生成檢索的計算效率，為現代推薦系統帶來了革命性的改變。

推薦系統作為連接用戶與相關內容、產品或服務的橋樑，其重要性不言而喻。然而，傳統的密集檢索方法雖然精確，但計算資源和存儲空間的消耗巨大，隨著數據集的快速增長，這一缺陷愈發明顯。

為了應對這一挑戰，生成式檢索應運而生，它通過生成模型預測項目索引，顯著降低了存儲需求。然而，生成式檢索在性能上仍存在局限，尤其是在處理冷啟動項目時。

LIGER 模型的誕生，正是為了解決這一難題。它結合了密集檢索和生成檢索的優勢，通過密集檢索技術對生成檢索生成的候選集進行優化，從而在效率和準確性之間找到了完美的平衡點。LIGER 利用從語義 ID 和基於文本的屬性中獲得的項目表示，結合兩種範式的優點，不僅減少了存儲和計算開銷，還顯著提升了性能，尤其是在處理冷啟動項目時表現尤為突出。

在技術細節方面，LIGER 採用了先進的雙向 Transformer 編碼器和生成解碼器。其密集檢索組件整合了項目的文本表示、語義 ID 和位置嵌入，並使用餘弦相似性損失進行優化。生成組件則利用束搜索來預測基於用戶互動歷史的後續項目的語義 ID。這種獨特的組合使得 LIGER 在保持生成檢索效率的同時，成功克服了其在冷啟動項目上的局限性。

為了驗證 LIGER 模型的性能，研究人員在包括 Amazon Beauty、Sports、Toys 和 Steam 在內的多個基準數據集上進行了評估。

結果顯示，LIGER 在一致性上顯著優於最新的模型如 TIGER 和 UniSRec。特別是在處理冷啟動項目時，LIGER 的表現尤為突出，其 Recall@10 得分遠超其他模型。

這一突破性成果不僅為推薦系統領域帶來了新的希望，也為未來的研究指明了方向。LIGER 模型的混合架構巧妙地平衡了計算效率與高質量的推薦，使其成為現代推薦系統的理想解決方案。通過彌合現有方法中的差距，LIGER 為進一步探索混合檢索模型奠定了堅實的基礎，並推動了推薦系統領域的創新發展。

隨著 LIGER 模型的推出，未來的推薦系統將更加智能、高效和個性化。這一創新成果不僅將為用戶帶來更好的體驗，也將為相關行業帶來更大的商業價值。

【教學】如何在香港申請 Google Gemini 及訂閱 Google Gemini Advanced/
【教學】香港 iPhone 如何使用 Apple Intelligence！設定方法與功能/
【教學】5 個「香港」免費使用 ChatGPT 的方法/
【說明】4 個方法，讓你的 iPhone / Android 在香港無需 VPN 就能用 ChatGPT

日本電話卡|台灣電話卡|韓國電話卡| 此文章《Meta AI 提出 LIGER：一種協同結合密集檢索和生成檢索優勢的新型人工智能方法》發佈於Techritual Hong Kong。