前言: 作为实习期间的重点项目，我开始复现谷歌的 TIGER (Tiger Index-based Generative Retrieval)。这不仅仅是一个模型，更是对传统“召回-排序”架构的一次大胆颠覆。本文记录第一天的理论扫盲:语义ID的本质、RQ-VAE的魅力，以及 Transformer 是如何“读懂”用户意图的。 一、 背景详解:What is TIGER 本项目结合

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.

本文依托FunREC项目展开 ## 快速候选召回 ### 协同过滤 #### 物品协同过滤 1. itemCF:用户的兴趣具有一定的连贯性，喜欢某个物品的用户往往也会对相似的物品感兴趣。 为每个用户维护一个交互过的物品列表，维护物品共现矩阵，计算物品间相似度($\frac{公共用户}{\sqrt{两个物品交互用户数之积}}$)； 先根据最近交互物品（几百个）生成各自的相似物品（