“Meta AI新模型LIGER：检索推荐双提升效率”

据IT之家1月2日报道，近日，Meta AI的研究团队提出了一项创新性成果——LIGER新型AI模型。该模型巧妙融合了密集检索与生成检索的优点，显著提升了生成式推荐系统的性能，为构建高效、精准的推荐系统提供了新的视角。

传统的推荐系统在处理冷启动项目、计算资源、存储需求等方面存在难题。为了解决这个问题，Meta AI与国内外多家研究机构合作，共同推出了LIGER（LeveragIng dense retrieval for GEnerative Retrieval）模型。

LIGER模型结合了生成检索的计算效率和密集检索的准确性，通过生成检索生成候选集、语义ID和文本属性的项目表示，再利用密集检索技术进行优化，实现了效率与精度的平衡。该模型采用双向Transformer编码器和生成解码器，对项目文本表示、语义ID和位置嵌入进行整合，并使用余弦相似度损失进行优化。

在性能方面，LIGER模型在多个基准数据集上展现出优异表现，如Amazon Beauty、Sports、Toys和Steam等。例如，在Amazon Beauty数据集上，LIGER对冷启动项目的Recall@10得分为0.1008，远超TIGER模型的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逐渐缩小，展现了其良好的适应性和效率。这一成果为推荐系统领域的研究提供了新的思路，有望推动相关技术的进一步发展。

IT之家提醒，更多关于LIGER模型的信息，请访问以下链接：Unifying Generative and Dense Retrieval for Sequential Recommendation。