LIGER

LIGER简介

LIGER是由Meta AI等研究机构开发的一种混合检索模型，融合了生成式检索与密集检索的优势。该模型通过生成式检索模块生成有限的候选项目集，并利用密集检索技术对这些候选项目进行排序和优化，从而在保持生成式检索高效性的同时，提升推荐系统的准确性。LIGER特别适用于冷启动项目的推荐场景，能够有效缓解因缺乏历史数据而带来的推荐难题。

LIGER的核心功能

• 高效生成候选项目：通过生成式检索模块快速生成有限的候选项目集，降低后续密集检索的计算负担。
• 优化候选项目排序：利用密集检索技术对生成的候选项目进行精准排序，提高推荐结果的相关性。
• 处理冷启动项目：有效识别并推荐新项目，提升系统对无历史数据项目的推荐能力。
• 融合语义信息：结合语义ID与项目文本表示，深入挖掘项目语义，增强推荐的准确性和深度。

LIGER的技术原理

• 生成式检索模块：基于Transformer架构，根据用户行为和项目特征生成语义ID序列，减少对单个项目嵌入的依赖。
• 密集检索模块：在生成的候选项目集中应用密集检索算法，通过语义ID和文本表示计算相似度，实现高效排序。
• 多目标优化：在训练过程中同时优化生成式与密集检索的目标函数，提升模型在生成和排序两方面的性能。
• 语义融合机制：结合语义ID与文本表示作为输入，通过编码器与解码器协同工作，生成项目嵌入并预测下一项目的语义信息。

LIGER的项目资料

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

LIGER的应用场景

• 电商平台：根据用户购物记录生成并优化商品推荐列表，提升个性化推荐效果。
• 内容平台：依据用户阅读偏好生成相关文章推荐，提高用户停留时间和平台参与度。
• 社交媒体：分析用户社交行为，生成潜在好友推荐，增强社交连接。
• 在线教育平台：根据学习历史推荐适配课程，提升学习效率和教学效果。