结合文本与ID嵌入实现增量视频搜索个性化

苹果机器学习团队公开了 Apple TV 搜索的个性化排序系统设计,核心是把语义理解和用户行为信号拼在一起,专门解决「打几个字符就要给出准确排序」这种极端场景下的搜索个性化难题。

• 增量视频搜索的痛点是意图严重不完整——用户往往只输入 1 到 3 个字符的前缀,系统却要在每次按键后都给出高质量排序,这比传统整句搜索的排序难度高得多。
• 团队学习了两套互补的物品嵌入空间:一是基于多语言文本编码器的 TextEmb,用共同参与行为构造的三元组做对比学习微调;二是基于交互数据训练的 ID 协同嵌入 IdEmb,捕捉的是协同过滤式的用户偏好而非语义相似。
• 在实际服务时,系统结合这两路信号构建用户表示,让排序既能理解「用户输入的字面/语义含义」,又能利用「和这个用户行为模式相近的其他用户喜欢什么」这类协同信号。
• 这套方案面向的是生产环境里的真实约束——低延迟、强不完整输入、多语言,而不是实验室里的理想搜索场景,体现出工业级个性化排序系统的典型设计取舍。
• 看点是文本语义与协同 ID 两类嵌入的融合思路具有通用性,不止适用于视频搜索,任何「输入极短、意图模糊、需要实时响应」的搜索排序场景都可以参考这套双嵌入空间的工程方案。