Apple Music搜索的多語言語義檢索系統
Apple Music為150多個地區、數十種語言的用户提供服務，每天新增數十萬首曲目。針對拼寫錯誤、音譯和跨語言查詢的搜索召回率成為影響用户體驗的關鍵。蘋果研究人員提出了一種基於3.05億參數Siamese雙編碼器的多語言語義檢索系統，通過混合檢索架構與現有索引結合，實現了69%的Hit@10相對改進，在線A/B測試中整體轉化率提升2.28%，無結果率降低86%，長尾查詢轉化率提升7.93%。
Apple Music覆蓋全球150多個地區的用户，支持數十種語言，其曲庫每天新增數十萬首新曲目。在這種規模下，搜索系統需要處理大量拼寫錯誤、音譯和跨語言查詢，召回率成為影響會話質量的關鍵因素，尤其對於佔大多數唯一查詢的長尾查詢而言。蘋果研究人員近日發表了一項研究，提出了一種多語言語義檢索系統，旨在解決這一挑戰。
該系統基於一個3.05億參數的Siamese雙編碼器，該編碼器從GTE-multilingual-base模型微調而來，並採用了課程調度的多目標訓練方法。為了高效部署，該模型通過一種混合檢索架構與現有的基於令牌的索引相結合，利用分位數分佈匹配來融合密集近鄰結果，從而無需重新訓練下游排序器。這種設計使得模型能夠在不影響現有基礎設施的情況下快速上線。
在離線評估中，該模型在Hit@10指標上相比GTE-multilingual-base提升了69%。在全球範圍的在線A/B測試中，系統整體轉化率（CR）提升了2.28%，無結果率降低了86%，並且每個地區商店都獲得了提升，未觀察到任何迴歸。改進效果集中在最需要的長尾查詢上：長尾查詢的轉化率相對提升7.93%，而中頻查詢為0.89%，頭部查詢僅為0.14%。這表明語義檢索在提升困難查詢的召回率的同時，不會干擾已經表現良好的流行查詢。
據研究人員稱，這是該平台部署的最大搜索質量改進之一。該工作由Vishalaksh Aggarwal、Kevin Sebastian、Vivek Kanojiya、Leo Le、Nick Tucey和Santosh Shankar共同完成，論文標題為“Multilingual Semantic Retrieval for Apple Music Search”。該論文於2026年7月發佈，詳細闡述了模型架構、訓練方法和實驗結果。此外，論文還列出了其他相關研究，如DeepMMSearch-R1和Over-Searching in Search-Augmented Large Language Models，但這些並非本工作的直接部分。蘋果的這項工作為大規模多語言搜索系統提供了切實可行的改進方案。