1月2日，Meta AI對外宣布推出一種全新的推薦系統AI模型——LIGER（LeveragIng Dense retrieval for GEnerative Retrieval），該模型巧妙地結合了密集檢索和生成檢索的優勢，LIGER的推出，標志著推薦系統技術的一次重要突破，尤其在計算資源需求、存儲需求以及冷啟動項目處理方面具有顯著優勢。

傳統的推薦系統通常依賴于密集檢索（Dense retrieval），這種方法通過序列建模來計算項目和用戶的表示，能夠提供高精度的推薦。然而，隨著數據量的增加，密集檢索對于計算和存儲的要求急劇上升，限制了其可擴展性。而另一種較新的方法——生成檢索（Generative retrieval），雖然在存儲需求方面具有優勢，但由于性能問題，尤其在冷啟動項目中，常常無法提供有效的推薦。

LIGER正是針對這些挑戰而提出的創新性解決方案。Meta AI與威斯康星大學麥迪遜分校、ELLIS Unit、LIT AI Lab、JKU Linz等多個研究機構合作，采用混合的檢索機制，將生成檢索的計算效率與密集檢索的高精度相結合，成功克服了冷啟動項目處理和計算資源瓶頸等難題。

LIGER模型通過將生成檢索和密集檢索技術相結合，顯著提高了推薦系統的效率和準確性。具體來說，LIGER在生成檢索部分首先通過生成模型預測項目索引，生成候選集并計算項目的語義ID。然后，密集檢索部分利用雙向Transformer編碼器和生成解碼器精煉這些候選集，通過余弦相似度優化項目的文本表示、語義ID和位置嵌入，確保推薦質量。

這種雙階段的推理過程不僅大幅降低了計算需求，還有效保持了推薦的高精度，尤其在冷啟動項目上表現突出。

根據Meta AI團隊在多個基準數據集上的評估結果，LIGER的表現持續超越了現有最先進的推薦系統模型，包括TIGER和UniSRec等。例如，在Amazon Beauty數據集上，LIGER在冷啟動項目的Recall@10得分為0.1008，而TIGER的得分則為0.0。在Steam數據集上，LIGER的Recall@10達到了0.0147，同樣高于TIGER的0.0。這一成績顯示了LIGER在處理冷啟動問題時的顯著優勢。

隨著生成檢索候選集數量的增加，LIGER與密集檢索的性能差距逐漸縮小，展現了其在不同數據集和應用場景中的適應性與高效性。