Meta AI推出革命性LIGER模型：高效精准的混合推荐系统

1月2日，Meta AI对外宣布推出一种全新的推荐系统AI模型——LIGER（LeveragIng Dense retrieval for GEnerative Retrieval），该模型巧妙地结合了密集检索和生成检索的优势，LIGER的推出，标志着推荐系统技术的一次重要突破，尤其在计算资源需求、存储需求以及冷启动项目处理方面具有显著优势。

传统的推荐系统通常依赖于密集检索（Dense retrieval），这种方法通过序列建模来计算项目和用户的表示，能够提供高精度的推荐。然而，随着数据量的增加，密集检索对于计算和存储的要求急剧上升，限制了其可扩展性。而另一种较新的方法——生成检索（Generative retrieval），虽然在存储需求方面具有优势，但由于性能问题，尤其在冷启动项目中，常常无法提供有效的推荐。

LIGER正是针对这些挑战而提出的创新性解决方案。Meta AI与威斯康星大学麦迪逊分校、ELLIS Unit、LIT AI Lab、JKU Linz等多个研究机构合作，采用混合的检索机制，将生成检索的计算效率与密集检索的高精度相结合，成功克服了冷启动项目处理和计算资源瓶颈等难题。

LIGER模型通过将生成检索和密集检索技术相结合，显著提高了推荐系统的效率和准确性。具体来说，LIGER在生成检索部分首先通过生成模型预测项目索引，生成候选集并计算项目的语义ID。然后，密集检索部分利用双向Transformer编码器和生成解码器精炼这些候选集，通过余弦相似度优化项目的文本表示、语义ID和位置嵌入，确保推荐质量。

这种双阶段的推理过程不仅大幅降低了计算需求，还有效保持了推荐的高精度，尤其在冷启动项目上表现突出。

根据Meta AI团队在多个基准数据集上的评估结果，LIGER的表现持续超越了现有最先进的推荐系统模型，包括TIGER和UniSRec等。例如，在Amazon Beauty数据集上，LIGER在冷启动项目的Recall@10得分为0.1008，而TIGER的得分则为0.0。在Steam数据集上，LIGER的Recall@10达到了0.0147，同样高于TIGER的0.0。这一成绩显示了LIGER在处理冷启动问题时的显著优势。

随着生成检索候选集数量的增加，LIGER与密集检索的性能差距逐渐缩小，展现了其在不同数据集和应用场景中的适应性与高效性。