META AI等机构研发的融合搜索模型——LIGER

LIGER代表的是什么？

LIGER是由Meta AI等机构开发的一款融合型检索模型，它巧妙地结合了生成式与密集式的优点。该模型利用生成式模块来创建一个有限的候选集，并通过密集检索技术对这些项目进行排序和优化处理，从而保持了在存储和推理效率上的优势，显著提升了推荐效果，尤其对于新出现的项目有着出色的处理能力。LIGER接收语义ID与项目文本作为输入信息，进而预测下一个项目的语义标识及其文本描述形式，在生成式检索和密集检索之间架起了一座桥梁，为构建高效而精准的推荐系统提供了有力支持。

LIGER的核心特性

• 有效创造潜在方案利用生成式检索组件迅速创建少量备选集合，降低需深入搜索项目的数目，从而提升搜索效能。
• 改进候选项目的排列顺序通过运用密集型搜索技术来排列与改进产生的备选项目，以保障推荐内容的精确度及关联性，从而增强用户的体验感受。
• 应对新项目初期挑战通过高效地创建并提出初入门级别的项目方案，来应对因新兴项目缺少以往互动记录而引发的推荐挑战，进而提升推荐机制的稳定性能。
• 融入词汇含义通过利用语义标识与项目表述的结合，我们能够更深层次地探索项目的内在含义，从而提升对我们所推介内容的认识水平，并最终实现更加精确的推荐效果。

LIGER的核心技术机制

• 创建型搜索组件利用Transformer架构的生成式模型，通过分析用户的历史互动数据与产品的特性，创建出代表推荐产品意义的标识符序列。这种以符号标识来承载产品含义的方式，减少了为每一个产品独立进行嵌入处理的要求。
• 高密度搜索组件通过使用密集型搜索方法于生成的潜在项集合中，基于各项目的文字描述及其语义标识来评估它们与特定目标项之间的相似程度。随后根据这些相似性得分排列并改进候选清单，最终挑选出最为契合的相关项予以建议。
• 多重目标最优化于训练期间，我们同步改进了生成式搜索与紧密匹配两种机制的目标算法，通过减少生成式搜索中的预测偏差并增加紧密匹配的相关性来实现这一点，从而使该模型既能高效地提出候选方案也能精细调整其排名顺序。
• 结合语义标识与文字表述使用语义标识符与项目描述作为输入数据，在编码器与解码器的合作下产生项目的嵌入形式，并且能够预估后续项目的语义标识符及内容表达，从而达成生成模型与高效检索技术的有机结合。

LIGER的工程链接

• 关于arXiv的技术文章在学术预印平台ArXiv上发布了一篇新的研究论文，其在线链接为：https://arxiv.org/pdf/2411.18814。该文档包含了最新的科研成果和详细的数据分析。

LIGER的使用场合

• 在线购物平台根据用户的购买记录和个人喜好，构建并改进商品选择清单，实施个性化的建议方案，以增强购物满意度及提高交易成功率。
• 内容服务平台依据用户的阅读偏好，创建一系列相关的文章选项，并进行优先级排列，以推送最为吸引读者兴趣的内容，进而提升用户在平台的停留时间和互动频率。
• 社交平台通过对用户的社交联系及交互行为的剖析，构建一个经过优先级排列的潜在朋友建议列表，并据此提出有可能结为朋友的对象推荐，以此来提升用户的社会交往感受和扩展其人际网络。
• 网络学习平台根据学生的学业背景和个人兴趣定制并改进课程选项列表，以提供最合适的课程建议，从而增强教学质量和学生的学习成效。