橘梨纱吧 Meta AI推出LIGER夹杂检索AI模子，揣摸后果与保举精度兼得
IT之家 1 月 2 日音问，Meta AI 的盘考东谈主员提议了一种名为 LIGER 的新式 AI 模子，艰深地结合密集检索和生成检索的上风橘梨纱吧，权贵升迁了生成式保举系统的性能。
LIGER 有用地管束了传统保举系统在揣摸资源、存储需乞降冷初始技俩处理上的贫困，为构建更高效、更精确的保举系统提供了新的念念路。
技俩布景
想要把用户与有关本色、居品或做事相关起来，保举系统是其中挫折一环。该限度的旧例规范是密集检索（Dense retrieval），应用序列建模来揣摸技俩和用户暗示。
但这种规范由于要镶嵌每个技俩，因此需要大批的揣摸资源和存储。跟着数据集的增长，这些条款变得越来越繁重，摒弃了它们的可扩张性。
而另一种新兴的规范叫作念生成检索（Generative retrieval），通过生成模子展望技俩索引来减少存储需求，但该状态存在性能问题，在冷初始技俩（用户交互有限的新技俩）中进展尤为明显。
技俩先容
Meta AI 公司结合威斯康星大学麦迪逊分校、ELLIS Unit、LIT AI Lab、机器学习盘考所、JKU Linz 等机构，夹杂密集检索和生成检索，推出了 LIGER（LeveragIng dense retrieval for GEnerative Retrieval）模子。
该模子夹杂了生成检索的揣摸后果和密集检索的精度，应用生成检索生成候选集、语义 ID 和文本属性的技俩暗示，再通过密集检索时间进行不祥，均衡了后果和准确性。
LIGER 袭取双向 Transformer 编码器和生成解码器。密集检索部分整合了技俩文本暗示、语义 ID 和位置镶嵌，并使用余弦相似度赔本进行优化。生成部分使用波束搜索凭据用户交互历史展望后续项缠绵语义 ID。
通过这种夹杂推理经过，LIGER 缩小了揣摸需求，同期保握了保举质地。LIGER 还能很好地泛化到未见过的技俩，管束了先前生成模子的要害摒弃。
LIGER 性能
在 Amazon Beauty、Sports、Toys 和 Steam 等基准数据集上的评估透露，LIGER 的性能握续优于 TIGER 和 UniSRec 等现存起原进模子。
举例，在 Amazon Beauty 数据集上，LIGER 对冷初始项缠绵 Recall@10 得分为 0.1008，而 TIGER 为 0.0。在 Steam 数据集上，LIGER 的 Recall@10 达到了 0.0147，相通优于 TIGER 的 0.0。
搞逼
跟着生成规范检索的候选数目加多，LIGER 与密集检索的性能差距松开，展现了其符合性和后果。
