論文の概要: Multilingual Semantic Retrieval for Apple Music Search
- arxiv url: http://arxiv.org/abs/2607.10239v1
- Date: Sat, 11 Jul 2026 10:00:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.347512
- Title: Multilingual Semantic Retrieval for Apple Music Search
- Title（参考訳）: Apple Music Searchのための多言語意味検索
- Abstract要約: Apple Musicは、数十の言語で150以上の店舗でリスナーを提供する。
この規模では、ミススペル、トランスリテラル、およびクロスランガルクエリによる検索リコールがセッション品質の主要な要因となる。
GTE-multilingual-baseから微調整された305M-パラメータのシームズバイエンコーダに基づく多言語意味検索システムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Apple Music serves listeners across 150+ storefronts in dozens of languages, with a catalog that grows by hundreds of thousands of new tracks daily. At this scale, search recall on misspelled, transliterated, and cross-lingual queries becomes a dominant driver of session quality, particularly for tail queries that account for the majority of unique queries. We present a multilingual semantic retrieval system built on a 305M-parameter Siamese bi-encoder fine-tuned from GTE-multilingual-base with curriculum-scheduled multi-objective training. The model is integrated into the search stack via a hybrid retrieval architecture that blends dense nearest-neighbor results with the existing token-based index using quantile distribution matching, enabling deployment without retraining downstream rankers. Offline, the model achieves a 69% relative improvement in Hit@10 over GTE-multilingual-base. In a worldwide online A/B test, the system delivers a 2.28% relative conversion-rate (CR) lift overall, an 86% reduction in the no-result rate, and gains across every storefront with no observed regressions. The improvement is concentrated where it is needed most: tail queries see a 7.93% relative CR lift, compared with 0.89% for mid-frequency queries and 0.14% for head queries -- evidence that semantic retrieval improves recall on hard queries without disturbing well-served popular ones. To our knowledge, this is one of the largest search-quality improvements deployed on the platform.
- Abstract（参考訳）: Apple Musicは、数十の言語で150以上の店舗でリスナーを提供する。
この規模では、ミススペル、トランスリテラル、およびクロスランガルクエリによる検索リコールがセッション品質の主要な要因となる。
本稿では,GTE-multilingual-base から微調整した 305M パラメーターの Siamese バイエンコーダをベースとした多言語意味検索システムを提案する。
モデルが検索スタックに統合されたハイブリッド検索アーキテクチャにより,最近傍の高密度な結果を量子分布マッチングを用いて既存のトークンベースインデックスとブレンドし,下流のローダをリトレーニングせずに展開できるようにする。
オフラインでは、GTE-multilingual-baseよりもHit@10が69%改善されている。
全世界のオンラインA/Bテストでは、システム全体の2.28%の相対変換レート(CR)リフトが提供され、非競合率の86%が減少し、すべての店舗でレグレッションが観測されていない。
テールクエリは7.93%の相対的なCRリフトであり、中頻度クエリは0.89%、ヘッドクエリは0.14%である。
われわれの知る限り、これはプラットフォームに展開される検索品質の改善の中で最大のものの一つだ。
関連論文リスト
- Efficient GPU Retrieval for Semantic Search [11.631441668563802]
本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。
軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。
21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
論文 参考訳（メタデータ） (2026-08-29T00:38:27Z) - Query Translation vs. Cross-Lingual Embeddings for Sinhala-Tamil E-Government Information Retrieval [0.0]
本稿では,言語間情報検索手法の比較評価を行う。
クエリ変換(QT)にはGoogle Translate, NLLB, mBART50, Cross-Lingual Embeddings (CLE)が使用されている。
BGE-M3は最も高いRecall@15を達成し、シンハラ英語では96.2%、タミル英語では95.6%に達した。
論文 参考訳（メタデータ） (2026-08-13T04:49:39Z) - Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。
8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。
FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
論文 参考訳（メタデータ） (2026-06-02T07:01:33Z) - Simorgh at SemEval-2026 task 7: Region-Aware Hybrid Retrieval for Low-Resource Cultural Reasoning in Multilingual Question Answering [0.6882042556551609]
我々は, BLEnDベンチマークを用いて, 30言語からなる多言語コーパスからなる, 文化的根拠付き多言語質問応答について検討した。
本稿では,BM25語彙マッチングと密接な意味的類似性と局所重み付けを組み合わせ,応答の関連性を改善するための地域対応ハイブリッド検索手法を提案する。
論文 参考訳（メタデータ） (2026-05-26T19:55:37Z) - Language-Coupled Reinforcement Learning for Multilingual Retrieval-Augmented Generation [73.54930910609328]
多言語検索強化学習フレームワークLcRLを提案する。
LcRLは言語に結合したグループ相対ポリシー最適化をポリシーと報酬モデルに統合する。
我々は,言語結合型グループサンプリングをロールアウトモジュールに導入し,知識バイアスを低減し,報酬モデルにおける補助的反一貫性のペナルティを正規化し,知識衝突を軽減する。
論文 参考訳（メタデータ） (2026-01-21T11:32:32Z) - One Instruction Does Not Fit All: How Well Do Embeddings Align Personas and Instructions in Low-Resource Indian Languages? [1.071318785217926]
インドの12の言語と4つの評価課題にまたがるベンチマークを提示する。
E5-Large-Instructはモノリンガル検索で27.4%、クロスリンガル転送で20.7%のリコール@1を達成している。
分類において、LaBSEは75.3%のAUROCを獲得し、校正が強い。
論文 参考訳（メタデータ） (2026-01-15T09:10:14Z) - Comprehension of Multilingual Expressions Referring to Target Objects in Visual Inputs [47.944645462877894]
Referring Expression (REC) は、自然言語の記述に基づいてオブジェクトを画像にローカライズするモデルを必要とする。
この研究は2つの主要な貢献を通じて多言語RECに対処する。
10言語にまたがる統合多言語データセットを構築し、機械翻訳と文脈に基づく翻訳拡張により、既存の12のRECベンチマークを体系的に拡張する。
得られたデータセットは、177,620の画像にまたがる800万の多言語参照表現と、336,882の注釈付きオブジェクトで構成されている。
論文 参考訳（メタデータ） (2025-11-14T15:54:34Z) - Optimized Text Embedding Models and Benchmarks for Amharic Passage Retrieval [49.1574468325115]
トレーニング済みのAmharic BERTとRoBERTaのバックボーンをベースとした,Amharic固有の高密度検索モデルを提案する。
提案したRoBERTa-Base-Amharic-Embedモデル(110Mパラメータ)は,MRR@10の相対的な改善を17.6%達成する。
RoBERTa-Medium-Amharic-Embed (42M)のようなよりコンパクトな派生型は13倍以上小さいまま競争力を維持している。
論文 参考訳（メタデータ） (2025-05-25T23:06:20Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳（メタデータ） (2022-10-13T15:18:04Z) - OneAligner: Zero-shot Cross-lingual Transfer with One Rich-Resource
Language Pair for Low-Resource Sentence Retrieval [91.76575626229824]
文検索タスク用に特別に設計されたアライメントモデルであるOneAlignerを提案する。
大規模並列多言語コーパス(OPUS-100)の全ての言語ペアで訓練すると、このモデルは最先端の結果が得られる。
実験結果から,文アライメントタスクの性能はモノリンガルおよび並列データサイズに大きく依存することがわかった。
論文 参考訳（メタデータ） (2022-05-17T19:52:42Z) - LAReQA: Language-agnostic answer retrieval from a multilingual pool [29.553907688813347]
LAReQAによる言語間アライメントの「強い」テスト。
機械翻訳による学習データの増強は効果的であることがわかった。
この発見は、言語に依存しない検索は、言語間評価の実質的な新しいタイプである、という我々の主張を裏付けるものである。
論文 参考訳（メタデータ） (2020-04-11T20:51:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。