Meta AI 推出 LIGER 混合检索 AI 模型，革新推荐系统

Meta AI 的研究人员推出的 LIGER 模型，为推荐系统带来了新的突破。在推荐系统发展中，密集检索虽能通过序列建模实现用户与项目嵌入，但对计算资源消耗大，可扩展性受限；生成检索虽能减少存储需求，却在冷启动项目上表现不佳。
LIGER 模型巧妙地将密集检索和生成检索的优势融合。它先通过生成检索生成候选集、获取项目的语义 ID 和文本属性，再利用密集检索技术进行精炼。这种混合推理过程降低了计算需求，同时提升了推荐质量，还解决了旧有生成模型的局限性。
在多个基准数据集上，LIGER 的性能优于现有先进模型，如在 Amazon Beauty 数据集上，对冷启动项目的 Recall@10 得分高达 0.1008，远超 TIGER 的 0.0；在 Steam 数据集上，Recall@10 达到 0.015。随着生成检索候选数量增加，LIGER 的优势更显著，为构建更高效、精准的推荐系统提供了新方案。