Appleの機械学習研究チームは、インクリメンタルビデオ検索をパーソナライズする新しいシステムを発表しました。このシステムは、Apple TV検索における曖昧な短いクエリ（1〜3文字のプレフィックス）に対処するために、テキストベースの多言語エンコーダ（TextEmb）とIDベースの協調埋め込みモデル（IdEmb）のハイブリッドを採用しています。TextEmbは共参加トリプレットを用いた対照学習で微調整され、IdEmbはインタラクションから得られたポジティブサンプルで学習されます。提供時には、ユーザーの最近の視聴履歴からユーザー表現を構築し、テキストおよびIDベースのユーザー-アイテムコサイン類似度をペアワイズXGBoostランカーに注入します。
オフライン実験では、ユーザー履歴があるセッションにおいて、パーソナライズされたランカーは非パーソナライズベースラインと比較してNDCG@10を2.99%、MRRを3.30%改善しました。重要なのは、スライス分析により、意図がまだ形成されつつあるインクリメンタル検索でパーソナライゼーションが最も必要であることが示された点です。曖昧なプレフィックスクエリ（1〜3文字）ではNDCG@10の向上が+8.63%であるのに対し、より完全なクエリでは+1.46%にとどまりました。視聴履歴が長いユーザーは新しいユーザーよりもパーソナライゼーションの恩恵を大きく受け、NDCGの向上は履歴1〜5項目のユーザーの+2.13%から履歴51〜100項目のユーザーの+4.37%に上昇しました。この大きな向上は、長期履歴コホートのベースライン関連性が低い（NDCG@10が0.733から0.680に低下）にもかかわらず発生しており、デフォルトのランキングが不十分な場合にパーソナライゼーションが最も価値を付加することを示しています。
オンライン実験では、タップスルー率が+1.14%、コンバージョン率が+1.23%の統計的に有意な向上が得られ、コンバージョンされたアイテムのランク位置は2.91%改善されました。さらに、アブレーション研究によりセマンティック埋め込みと協調埋め込みの間のカバレッジと精度のトレードオフを分析し、保持されたコーパスでLLMが判断した類似性ラベルを使用して埋め込み品質を評価し、クリック/露出バイアスを低減しています。この研究は、テキストとIDのハイブリッド埋め込みが、特にインクリメンタル検索において効果的なパーソナライゼーション戦略であることを示しています。