UniGD: Framework Unificato Generativo-Discriminativo per il Recupero Industriale

È stato introdotto un nuovo framework denominato UniGD (Unificato Generativo-Discriminativo) per affrontare i problemi nella pubblicità di ricerca industriale, in particolare nel recupero generativo (GR). Sebbene il GR mostri un grande potenziale, fatica a soddisfare le rigorose esigenze di pertinenza e latenza. I sistemi attuali utilizzano tipicamente un approccio a cascata, combinando il GR con un modello di pertinenza separato, che separa la probabilità generativa dalla valutazione della pertinenza tra query e annuncio, con conseguente ridotta efficacia e maggiori costi operativi. UniGD fonde il recupero e il punteggio di pertinenza in un unico modello. Per affrontare l'interferenza del gradiente durante l'ottimizzazione congiunta, impiega il Potenziamento del Gradiente Consapevole del Conflitto (CAGE) per il coordinamento adattivo dei due obiettivi. Inoltre, UniGD presenta un Modulo di Rappresentazione Ancorato al Codebook (CAM) che lega le rappresentazioni degli elementi a codebook gerarchici fissi derivati da un modello preaddestrato multimodale, fornendo loro prior semantici robusti e trasferibili. Il framework completo è discusso in un articolo disponibile su arXiv (arXiv:2608.03150).