Apple Music搜索的多语言语义检索系统
Apple Music为150多个地区、数十种语言的用户提供服务，每天新增数十万首曲目。针对拼写错误、音译和跨语言查询的搜索召回率成为影响用户体验的关键。苹果研究人员提出了一种基于3.05亿参数Siamese双编码器的多语言语义检索系统，通过混合检索架构与现有索引结合，实现了69%的Hit@10相对改进，在线A/B测试中整体转化率提升2.28%，无结果率降低86%，长尾查询转化率提升7.93%。
Apple Music覆盖全球150多个地区的用户，支持数十种语言，其曲库每天新增数十万首新曲目。在这种规模下，搜索系统需要处理大量拼写错误、音译和跨语言查询，召回率成为影响会话质量的关键因素，尤其对于占大多数唯一查询的长尾查询而言。苹果研究人员近日发表了一项研究，提出了一种多语言语义检索系统，旨在解决这一挑战。
该系统基于一个3.05亿参数的Siamese双编码器，该编码器从GTE-multilingual-base模型微调而来，并采用了课程调度的多目标训练方法。为了高效部署，该模型通过一种混合检索架构与现有的基于令牌的索引相结合，利用分位数分布匹配来融合密集近邻结果，从而无需重新训练下游排序器。这种设计使得模型能够在不影响现有基础设施的情况下快速上线。
在离线评估中，该模型在Hit@10指标上相比GTE-multilingual-base提升了69%。在全球范围的在线A/B测试中，系统整体转化率（CR）提升了2.28%，无结果率降低了86%，并且每个地区商店都获得了提升，未观察到任何回归。改进效果集中在最需要的长尾查询上：长尾查询的转化率相对提升7.93%，而中频查询为0.89%，头部查询仅为0.14%。这表明语义检索在提升困难查询的召回率的同时，不会干扰已经表现良好的流行查询。
据研究人员称，这是该平台部署的最大搜索质量改进之一。该工作由Vishalaksh Aggarwal、Kevin Sebastian、Vivek Kanojiya、Leo Le、Nick Tucey和Santosh Shankar共同完成，论文标题为“Multilingual Semantic Retrieval for Apple Music Search”。该论文于2026年7月发布，详细阐述了模型架构、训练方法和实验结果。此外，论文还列出了其他相关研究，如DeepMMSearch-R1和Over-Searching in Search-Augmented Large Language Models，但这些并非本工作的直接部分。苹果的这项工作为大规模多语言搜索系统提供了切实可行的改进方案。