🎯 里程碑目标 (Goal)

本里程碑旨在增强 Torch-RecHub 在召回阶段 (Retrieval) 的能力，重点引入主流向量数据库的统一接口封装，并跟进学界前沿，完成生成式推荐模型 TIGER 的复现。所有功能开发完成后，将配套完整的 Tutorials 文档，并通过 Datawhale 官方渠道（微信公众号等）进行社区宣发。

🛠️ 核心任务 (Key Tasks)

1. 向量库召回封装 (Vector Database Integration)
目标：降低用户在召回阶段使用向量库的门槛，提供统一易用的 Python 接口。

• 接口设计：定义统一的 Indexer 和 Retriever 抽象基类。
• **库封装 **：集成三个主流向量库（覆盖：Faiss, Milvus, Annoy ）。
  • 支持向量的 add (构建索引) 与 search (近邻检索)。
  • 支持 Save/Load 索引文件。

2. 前沿模型复现: TIGER (Generative Recommender)
目标：复现 NeurIPS 2023 论文 TIGER: Transformer Index for GEnerative Recommenders。

• Semantic ID 生成：实现基于 RQ-VAE 的 Item ID 量化与生成流程（可以使用 Sentence-T5-Base 或 Sentence-T5-Large 代替 XXL 版本）。
• 生成式检索模型：实现基于 Transformer (Seq2Seq) 的推荐模型架构。
• 基准测试：在公开数据集（如 Amazon Beauty/Sports）上跑通流程并对齐论文效果。

3. 文档与案例 (Documentation & Tutorials)
目标：确保新功能“看得到、学得会、用得上”。

• 向量库 Tutorial：编写 Jupyter Notebook，演示“从 Embedding 生成到向量库召回”的全流程。
• TIGER Demo：提供 TIGER 模型的最小化运行案例（包含数据处理脚本）。
• API 文档更新：更新 Readme 及相关函数文档字符串。

📢 宣发计划 (Marketing & Release)

• 宣发渠道：Datawhale 微信公众号、技术社群。
• Release Note 编写。