苹果机器学习研究团队近日发表了一项关于增量视频搜索个性化的工作，针对Apple TV搜索场景中的模糊短查询（如1-3字符前缀）提出了混合文本与ID嵌入的解决方案。增量搜索的关键挑战在于用户每输入一个字符，系统都需要重新排序，而此时用户的意图往往不明确。传统的非个性化排名器依赖文本匹配，但无法利用用户的个人历史偏好。该论文提出的系统结合了两种互补的信号：基于文本的多语言编码器（TextEmb）通过对比学习在共同参与三元组上微调，从而学习语义相关的表示；以及基于ID的协作嵌入模型（IdEmb）利用用户与物品的交互数据训练，捕捉协作过滤的信号。在线上服务时，系统从用户近期观看历史（通常为50-100个物品）构建用户表征，然后将文本和ID的余弦相似度注入成对XGBoost排名器中，最终生成个性化排名。
实验采用了时间隔离的离线数据集和为期三周的在线A/B测试。离线结果表明，对于有历史行为的用户，个性化排名器在NDCG@10上比非个性化基线提升2.99%，MRR提升3.30%。关键的分层分析揭示了个人化的价值所在：在意图尚未明确的增量搜索中，个人化效果最为显著。具体而言，对于模糊前缀查询（1-3字符），NDCG@10提升高达8.63%，而对于较完整的长查询（4字符以上），提升仅为1.46%。此外，观看历史较长的用户从个人化中获益更多：历史物品数为1-5的用户NDCG提升2.13%，而历史物品数为51-100的用户提升达4.37%。值得注意的是，这种较大提升发生在长历史用户基线相关性较低的情况下（NDCG@10从0.733降至0.680），表明个人化在默认排名不佳时最具价值。
在线实验获得了统计显著的增益：点击率（tap-through rate）提升1.14%，转化率提升1.23%，转化项目的排名位置改善2.91%。为了进一步理解两种嵌入的作用，研究团队进行了消融实验，分别隔离语义嵌入和协作嵌入，分析了覆盖率和精度之间的权衡。同时，为了减少点击/曝光偏差，他们在保留语料上使用LLM判断的相似度标签评估嵌入质量。该工作表明，混合文本和ID嵌入是一种有效的个人化策略，尤其适用于增量搜索场景。