LIGER：Meta推出的结合生成式与密集检索的混合推荐模型

LIGER简介

LIGER（LeveragIng dense retrieval for GEnerative Retrieval）是由Meta AI团队提出的一种创新的混合推荐模型。该模型巧妙地融合了生成式检索和序列密集检索两种方法的优势，旨在克服单一方法在性能和效率上的局限性。LIGER通过利用生成式检索的高效性和密集检索的精确性，显著提升了推荐系统的整体性能，尤其是在处理冷启动项目时表现出色。这一成果不仅为推荐系统领域提供了新的技术思路，也为未来大规模应用中的个性化推荐提供了更强大的技术支持。

LIGER主要功能

• 性能提升：LIGER通过结合生成式检索和序列密集检索的优势，显著提高了推荐系统的整体性能，尤其在冷启动项目推荐方面表现突出.
• 效率优化：在保持高效推荐的同时，LIGER减少了存储和推理时间的需求，降低了系统的资源消耗.
• 冷启动项目推荐：有效解决了推荐系统中冷启动项目难以预测的问题，提高了对新项目的推荐准确性和覆盖率.

LIGER技术原理

• 生成式检索集成：LIGER将生成式检索的高效性融入模型中，通过生成模型直接预测下一个项目的语义ID，减少了存储单个项目嵌入的需求，降低了存储成本.
• 序列密集检索融合：在生成的候选项目基础上，LIGER利用序列密集检索的精确性进行进一步的优化和排序，通过最大内积搜索在嵌入空间中找到最相关的项目，提高了推荐的准确性.
• 多目标优化：在训练阶段，LIGER采用多目标优化策略，同时使用余弦相似度损失和下一个标记预测损失进行优化，确保模型在生成语义ID的同时，也能学习到与项目文本表示对齐的高质量嵌入.
• 冷启动项目处理：LIGER通过将冷启动项目与生成的候选项目结合，并利用项目文本嵌入作为先验信息，增强了对冷启动项目的推荐能力，避免了因项目缺乏历史交互数据而导致的推荐困难.

LIGER应用场景

1. 电商平台商品推荐：在电商平台中，LIGER可以为用户推荐个性化的商品，包括热门商品和新上架的冷启动商品，提高用户的购买转化率和购物体验.
2. 视频平台内容推荐：视频平台可以利用LIGER为用户推荐感兴趣的视频内容，涵盖热门视频和新发布的视频，增加用户的观看时长和平台的用户粘性.
3. 新闻资讯推荐：新闻资讯平台可以使用LIGER向用户推荐相关的新闻资讯，包括热门新闻和最新发布的新闻，满足用户的资讯获取需求.
4. 音乐播放器歌曲推荐：音乐播放器可以借助LIGER为用户推荐个性化的歌曲，包括热门歌曲和新发布的歌曲，丰富用户的音乐体验.
5. 社交平台好友推荐：在社交平台中，LIGER可以为用户推荐可能认识的好友，包括平台中的活跃用户和新注册的用户，拓展用户的社交网络.
6. 在线教育课程推荐：在线教育平台可以利用LIGER为用户推荐适合的课程，涵盖热门课程和新上线的课程，帮助用户更好地选择和学习课程内容.

LIGER项目入口

• arXiv技术论文：https://arxiv.org/pdf/2411.18814