蘋果機器學習研究團隊近日發表了一項關於增量影片搜尋個性化的工作，針對Apple TV搜尋場景中的模糊短查詢（如1-3字元字首）提出了混合文本與ID嵌入的解決方案。增量搜尋的關鍵挑戰在於使用者每輸入一個字元，系統都需要重新排序，而此時使用者的意圖往往不明確。傳統的非個性化排名器依賴文本匹配，但無法利用使用者的個人歷史偏好。該論文提出的系統結合了兩種互補的訊號：基於文本的多語言編碼器（TextEmb）透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）利用使用者與物品的互動資料訓練，捕捉協作過濾的訊號。線上上服務時，系統從使用者近期觀看歷史（通常為50-100個物品）構建使用者表徵，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資料集和為期三週的線上A/B測試。離線結果表明，對於有歷史行為的使用者，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尋中，個人化效果最為顯著。具體而言，對於模糊字首查詢（1-3字元），NDCG@10提升高達8.63%，而對於較完整的長查詢（4字元以上），提升僅為1.46%。此外，觀看歷史較長的使用者從個人化中獲益更多：歷史物品數為1-5的使用者NDCG提升2.13%，而歷史物品數為51-100的使用者提升達4.37%。值得注意的是，這種較大提升發生在長曆史使用者基線相關性較低的情況下（NDCG@10從0.733降至0.680），表明個人化在預設排名不佳時最具價值。
線上實驗獲得了統計顯著的增益：點選率（tap-through rate）提升1.14%，轉化率提升1.23%，轉化專案的排名位置改善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，為了減少點選/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，尤其適用於增量搜尋場景。