Apple Musicは150以上のストアフロントで数十言語のリスナーにサービスを提供しており、そのカタログは毎日数十万の新曲で増え続けています。この規模では、スペルミス、音訳、言語横断的なクエリに対する検索リコールがセッション品質の主要な決定要因となり、特にユニーククエリの大半を占めるテールクエリで顕著です。Appleの研究者はこの課題に対処するため、多言語セマンティック検索システムを開発しました。
このシステムは、GTE-multilingual-baseモデルからカリキュラムスケジュールされた多目的トレーニングで微調整された3億500万パラメータのSiameseバイエンコーダに基づいています。効率的な展開を実現するため、モデルはハイブリッド検索アーキテクチャを介して既存のトークンベースのインデックスと統合され、密な近傍結果と分位分布マッチングでブレンドされます。これにより、下流のランカーを再トレーニングすることなく展開が可能です。
オフライン評価では、モデルはHit@10でGTE-multilingual-baseに対して69%の相対改善を達成しました。全世界のオンラインA/Bテストでは、システム全体のコンバージョン率（CR）が2.28%向上し、無結果率が86%減少し、すべてのストアフロントで改善が見られ、後退は観察されませんでした。改善は最も必要なテールクエリに集中しており、テールクエリのCRは7.93%向上したのに対し、中頻度クエリは0.89%、ヘッドクエリは0.14%の向上にとどまりました。これは、セマンティック検索が難しいクエリのリコールを改善しつつ、よく機能している人気クエリには影響を与えないことを示しています。
研究者によると、これはプラットフォームに展開された最大の検索品質向上の1つです。この研究はVishalaksh Aggarwal、Kevin Sebastian、Vivek Kanojiya、Leo Le、Nick Tucey、Santosh Shankarによって行われ、論文タイトルは「Multilingual Semantic Retrieval for Apple Music Search」です。論文は2026年7月に公開され、モデルアーキテクチャ、トレーニング方法、実験結果が詳述されています。また、DeepMMSearch-R1やOver-Searching in Search-Augmented Large Language Modelsなどの関連研究もリストされていますが、これらは本作業の直接的な部分ではありません。Appleのこの取り組みは、大規模多言語検索システムに実用的な改善策を提供しています。