Generative retrieval can be understood as a special case of multi-vector dense retrieval, where both methods compute relevance as a sum of products of query and document vectors and an alignment matrix.
Jointly training a single generative retrieval model for both search and recommendation tasks can improve performance compared to training separate, task-specific models, primarily due to regularization effects on item representations and popularity estimations.
생성 검색 모델에서 검색과 추천 작업을 함께 학습시키면 항목 표현이 풍부해지고, 특히 두 작업 데이터 간의 항목 동시 발생 패턴이 유사할 때 상호 이익을 얻어 검색 및 추천 성능이 향상될 수 있습니다.