Los sistemas de recomendación son esenciales para conectar a los usuarios con contenidos, productos o servicios relevantes. Los métodos de recuperación densos han sido un pilar en este campo, utilizando modelos de secuencia para calcular representaciones de medios y usuarios. Sin confiscación, estos métodos exigen importantes fortuna computacionales y almacenamiento, ya que requieren incorporaciones para cada pájaro. A medida que crecen los conjuntos de datos, estos requisitos se vuelven cada vez más onerosos, lo que limita su escalabilidad. La recuperación generativa, una alternativa emergente, reduce las deyección de almacenamiento al predecir índices de artículos a través de modelos generativos. A pesar de su potencial, tiene problemas de rendimiento, especialmente en el manejo de medios de inicio en frío (medios nuevos con interacciones limitadas del sucesor). La marcha de un ámbito unificado que combine las fortalezas de estos enfoques pone de relieve una brecha a la hora de asaltar las compensaciones entre la computación, el almacenamiento y la calidad de las recomendaciones.
Investigadores de la Universidad de Wisconsin, Madison, Dispositivo ELLIS, LIT AI Lab, Instituto de Formación Forzoso, JKU Linz, Austria y Meta AI han presentado LIGER (LeveragIng denso recuperación para GEnerative Retrieval), un maniquí de recuperación híbrido que combina la eficiencia computacional de recuperación generativa con la precisión de la recuperación densa. LIGER refina un conjunto de candidatos generado por recuperación generativa mediante técnicas de recuperación densa, logrando un firmeza entre eficiencia y precisión. El maniquí aprovecha las representaciones de medios derivadas de identificaciones semánticas y atributos basados en texto, combinando las fortalezas de entreambos paradigmas. Al hacerlo, LIGER reduce el almacenamiento y la sobrecarga computacional al tiempo que aborda las brechas de rendimiento, particularmente en escenarios que involucran medios de inicio en frío.
Detalles técnicos y beneficios
LIGER emplea un codificador transformador bidireccional pegado con un decodificador generativo. El componente de recuperación densa integra representaciones de texto de medios, identificaciones semánticas e incrustaciones posicionales, optimizadas mediante una pérdida de similitud de coseno. El componente generativo utiliza la búsqueda por haz para predecir las identificaciones semánticas de medios posteriores en función del historial de interacción del sucesor. Esta combinación permite a LIGER conservar la eficiencia de la recuperación generativa y al mismo tiempo asaltar sus limitaciones con medios de inicio en frío. El proceso de inferencia híbrido del maniquí, que primero recupera un conjunto de candidatos mediante recuperación generativa y luego lo refina mediante recuperación densa, reduce efectivamente las demandas computacionales al tiempo que mantiene la calidad de la recomendación. Adicionalmente, al incorporar representaciones textuales, LIGER generaliza admisiblemente a medios invisibles, abordando una restricción secreto de los modelos generativos anteriores.
Resultados y conocimientos
Las evaluaciones de LIGER en conjuntos de datos de relato, incluidos Amazon Beauty, Sports, Toys y Steam, muestran mejoras consistentes con respecto a modelos de última vivientes como TIGER y UniSRec. Por ejemplo, LIGER logró una puntuación Recall@10 de 0,1008 para artículos arrancados en frío en el conjunto de datos de Amazon Beauty, en comparación con el 0,0 de TIGER. En el conjunto de datos de Steam, el Recall@10 de LIGER para artículos de inicio en frío alcanzó 0,0147, superando nuevamente el 0,0 de TIGER. Estos hallazgos demuestran la capacidad de LIGER para fusionar eficazmente técnicas de recuperación generativa y densa. Adicionalmente, a medida que aumenta el número de candidatos recuperados mediante métodos generativos, LIGER reduce la brecha de rendimiento con una recuperación densa. Esta adaptabilidad y eficiencia lo hacen adecuado para diversos escenarios de recomendación.
Conclusión
LIGER ofrece una integración cuidadosa de recuperación densa y generativa, abordando desafíos en eficiencia, escalabilidad y manejo de medios de inicio en frío. Su casa híbrida equilibra la eficiencia computacional con recomendaciones de ingreso calidad, lo que la convierte en una posibilidad viable para los sistemas de recomendación modernos. Al cerrar las brechas en los enfoques existentes, LIGER sienta las bases para una veterano exploración de modelos de recuperación híbridos, fomentando la innovación en los sistemas de recomendación.
Corroborar el Papel. Todo el crédito por esta investigación va a los investigadores de este plan. Adicionalmente, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grhacia lo alto. No olvides unirte a nuestro SubReddit de más de 60.000 ml.
🚨 PRÓXIMO SEMINARIO WEB GRATUITO SOBRE IA (15 DE ENERO DE 2025): Aumente la precisión del LLM con datos sintéticos e inteligencia de evaluación–Únase a este seminario web para obtener información actos para mejorar el rendimiento y la precisión del maniquí LLM y, al mismo tiempo, proteger la privacidad de los datos..
Asif Razzaq es el director ejecutante de Marktechpost Media Inc.. Como patrón e ingeniero fantaseador, Asif está comprometido a usar el potencial de la inteligencia industrial para el admisiblemente social. Su esfuerzo más flamante es el dispersión de una plataforma de medios de inteligencia industrial, Marktechpost, que se destaca por su cobertura en profundidad del enseñanza espontáneo y las noticiario sobre enseñanza profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el notorio.