注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷】

GPT多模态大模型与AI Agent智能体系列一百一十九

谷歌TIGER爆火！生成式召回颠覆推荐系统：用语义ID破解冷启动+多样性难题，3大数据集性能碾压传统模型

2023年谷歌提出的TIGER模型，凭借“生成式召回”思路打破传统推荐系瓶颈，成为近年来推荐领域的里程碑研究。它以“语义ID+seq2seq生成”为核心，重构了从物品表示到检索的全流程，不仅在三大公开数据集上实现性能跃升，更解决了冷启动、推荐多样性等行业痛点，为大规模推荐系统提供了全新范式。

一、传统推荐系统的“三大困境”，TIGER直击痛点

长期以来，主流推荐系统依赖“双编码器+ANN搜索”模式：将用户和物品嵌入同一向量空间，通过近似最近邻搜索匹配候选物品。但这种模式存在难以突破的局限：

1. 物品表示低效：用随机原子ID作为物品特征，无法共享相似物品知识，且数十亿级物品的嵌入存储消耗巨大；
2. 反馈循环固化：模型依赖用户历史交互数据，易陷入“越推越窄”的困境，对新物品（冷启动场景）几乎无法处理；
3. 泛化能力薄弱：依赖索引构建，新物品需重新训练或更新索引，难以适配动态变化的物品语料库。

而TIGER的核心创新——语义ID生成+生成式检索，从根源上解决了这些问题。

二、TIGER两大核心模块：从语义ID到生成式召回的全链路设计

TIGER的框架分为“语义ID生成”和“生成式推荐训练”两阶段，环环相扣实现端到端检索：

1. 语义ID生成：用RQ-VAE给物品“编有意义的码”

传统物品ID是随机、无语义的，而TIGER的“语义ID”是基于物品内容特征生成的离散token元组，核心工具是残差量化变分自编码器（RQ-VAE）：

• 第一步：内容嵌入。用预训练的Sentence-T5模型，将物品的标题、品牌、类别等文本特征，转化为768维的语义嵌入；
• 第二步：层次化量化。RQ-VAE通过3层残差量化（每层一个独立codebook，大小256），将连续嵌入转化为3个codeword组成的元组；
• 第三步：去碰撞处理。若多个物品映射到同一语义ID，附加第4个token确保唯一性，最终形成4长度的唯一语义ID（如(10,21,35,0)）。

这种设计的关键优势在于层次化语义：语义ID的前几层codeword对应“粗粒度类别”，后几层对应“细粒度特征”。例如(10,21,35,0)中，“10”可能代表“美妆类”，“21”代表“口红子类”，相似物品的语义ID会有重叠，天然实现知识共享。

对比局部敏感哈希（LSH）、分层k-means等其他量化方法，RQ-VAE的优势显著：实验显示，在Beauty数据集上，RQ-VAE生成的语义ID比LSH提升12%的Recall@5，比随机ID提升23%，且能保留层次化语义。

2. 生成式检索：用Transformer直接“生成”下一个物品ID

传统推荐是“用户嵌入→ANN搜索→匹配候选物品”，而TIGER是端到端生成：将推荐任务转化为“序列预测任务”，用Transformer模型直接解码下一个物品的语义ID：

• 输入构造：用户ID token + 历史交互物品的语义ID token序列（如“用户A+物品1语义ID+物品2语义ID”）；
• 模型训练：用编码器-解码器架构的Transformer，自回归预测下一个物品的语义ID token（逐token生成4长度元组）；
• 检索逻辑：无需构建物品索引，Transformer的参数本身就是“语义索引”，预测出语义ID后，直接通过查找表映射到具体物品。

这种“生成式”思路的颠覆性在于：无需ANN搜索，无需存储海量嵌入，模型直接“写出”目标物品ID，大幅降低部署成本。

三、实验验证：性能碾压传统模型，还解锁两大新能力

谷歌在Amazon Product Reviews的三大数据集（Beauty、Sports and Outdoors、Toys and Games）上，将TIGER与GRU4Rec、SASRec、BERT4Rec、S³-Rec等8种主流序列推荐模型对比，结果堪称“降维打击”：

• 性能跃升：在Beauty数据集上，TIGER的NDCG@5比SASRec提升29%，Recall@5比S³-Rec提升17.3%；在Toys and Games数据集上，NDCG@5提升21%，且所有数据集上均刷新SOTA；
• 效率优势：无需构建物品索引，存储成本仅为传统双编码器模型的1/10，新物品无需重新训练，只需生成语义ID即可接入。

更重要的是，TIGER还解锁了传统模型不具备的两大核心能力：

1. 冷启动推荐：新物品“零数据”也能推

传统模型对无交互数据的新物品束手无策，而TIGER只需用RQ-VAE为新物品生成语义ID，即可纳入推荐范围。实验中，将Beauty数据集5%的物品设为“未见新物品”，TIGER的Recall@5比基于语义嵌入的KNN方法提升15%~20%，且新物品占比越高（最高30%），优势越明显。

2. 可控多样性推荐：用“温度采样”打破推荐固化

传统模型的多样性依赖复杂的重排策略，而TIGER利用语义ID的层次化特性，通过调整解码阶段的“温度参数”即可控制多样性：

• 高温度（如1.5）：对语义ID的前几层codeword随机采样，推荐不同粗粒度类别的物品，提升整体多样性；
• 低温度（如0.5）：仅对后几层codeword微调，在同一类别内推荐细粒度差异的物品，保证相关性。

实验用Entropy@K指标衡量多样性，结果显示：温度从0.1提升到1.5时，Beauty数据集的Entropy@10提升40%，且NDCG仅下降3%，实现“多样性与相关性”的平衡。

四、核心结论：TIGER为何能成为推荐系统的新范式？

TIGER的价值不仅在于性能提升，更在于重构了推荐系统的设计思路，其核心结论可总结为四点：

1. 语义ID优于随机ID：基于内容的语义ID能共享相似物品知识，泛化能力远超随机原子ID，是突破反馈循环的关键；
2. 生成式检索更高效：无需索引构建，Transformer参数即索引，大幅降低存储和部署成本，适配大规模物品库；
3. 层次化设计解锁新能力：语义ID的粗/细粒度划分，天然支持冷启动和可控多样性，解决行业核心痛点；
4. 工程落地友好：无效ID比例极低（前10推荐中仅0.1%~1.6%），且可通过“前缀匹配”（如用前3个codeword匹配相似物品）进一步优化。

五、行业启示：TIGER的落地场景与未来方向

目前TIGER已在电商、内容推荐等领域展现出落地潜力：

• 电商场景：可快速接入新品类商品，解决“新品冷启动”问题，同时通过温度采样提升用户探索性消费；
• 内容平台：用语义ID关联相似文章、视频，打破“兴趣固化”，提升用户长期留存；
• 企业服务：构建基于语义ID的知识库推荐，实现“文档内容→语义匹配→精准推荐”的全链路。

未来，TIGER的优化方向也很明确：一是提升语义ID的生成精度（如融合图像、语音等多模态特征）；二是优化无效ID的处理（如动态调整codebook大小）；三是拓展到多目标推荐（如同时优化点击率、转化率）。

对于推荐算法从业者而言，TIGER的最大启示是：物品表示的“语义化”和检索方式的“生成化”，将是下一代推荐系统的核心方向。掌握这一思路，才能在海量物品、动态场景的推荐需求中占据主动。

下一篇内容详解更多…

更多技术内容

更多技术内容可参见
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】。
更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。

总结

此文章有对应的配套新书教材和视频：

【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。
全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。
本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

【配套视频】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】
视频特色： 前沿技术深度解析，把握行业脉搏

实战驱动，掌握大模型开发全流程

智能涌现与 AGI 前瞻，抢占技术高地

上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄