蘋果機器學習研究團隊近日發表了一項關於增量視頻搜索個性化的工作，針對Apple TV搜索場景中的模糊短查詢（如1-3字符前綴）提出了混合文本與ID嵌入的解決方案。增量搜索的關鍵挑戰在於用户每輸入一個字符，系統都需要重新排序，而此時用户的意圖往往不明確。傳統的非個性化排名器依賴文本匹配，但無法利用用户的個人歷史偏好。該論文提出的系統結合了兩種互補的信號：基於文本的多語言編碼器（TextEmb）通過對比學習在共同參與三元組上微調，從而學習語義相關的表示；以及基於ID的協作嵌入模型（IdEmb）利用用户與物品的交互數據訓練，捕捉協作過濾的信號。在線上服務時，系統從用户近期觀看歷史（通常為50-100個物品）構建用户表徵，然後將文本和ID的餘弦相似度注入成對XGBoost排名器中，最終生成個性化排名。
實驗採用了時間隔離的離線數據集和為期三週的在線A/B測試。離線結果表明，對於有歷史行為的用户，個性化排名器在NDCG@10上比非個性化基線提升2.99%，MRR提升3.30%。關鍵的分層分析揭示了個人化的價值所在：在意圖尚未明確的增量搜索中，個人化效果最為顯著。具體而言，對於模糊前綴查詢（1-3字符），NDCG@10提升高達8.63%，而對於較完整的長查詢（4字符以上），提升僅為1.46%。此外，觀看歷史較長的用户從個人化中獲益更多：歷史物品數為1-5的用户NDCG提升2.13%，而歷史物品數為51-100的用户提升達4.37%。值得注意的是，這種較大提升發生在長曆史用户基線相關性較低的情況下（NDCG@10從0.733降至0.680），表明個人化在默認排名不佳時最具價值。
在線實驗獲得了統計顯著的增益：點擊率（tap-through rate）提升1.14%，轉化率提升1.23%，轉化項目的排名位置改善2.91%。為了進一步理解兩種嵌入的作用，研究團隊進行了消融實驗，分別隔離語義嵌入和協作嵌入，分析了覆蓋率和精度之間的權衡。同時，為了減少點擊/曝光偏差，他們在保留語料上使用LLM判斷的相似度標籤評估嵌入質量。該工作表明，混合文本和ID嵌入是一種有效的個人化策略，尤其適用於增量搜索場景。