Apple Music 검색을 위한 다국어 의미론적 검색(Semantic Retrieval)

Apple Music은 150개 이상의 스토어프런트에서 수많은 언어로 서비스를 제공하며, 매일 수십만 개의 신곡이 추가되는 대규모 카탈로그를 운영하고 있습니다. 이러한 환경에서 오타, 음차(transliteration), 교차 언어 쿼리에 대한 **검색 재현율(Recall)**을 높이는 것이 사용자 경험의 핵심 과제입니다.

이를 해결하기 위해 GTE-multilingual-base를 기반으로 커리큘럼 스케줄링 기반의 다중 목적 학습(multi-objective training)을 적용한 305M 파라미터 규모의 Siamese bi-encoder 모델을 개발했습니다. 이 모델은 기존의 토큰 기반 인덱스와 quantile distribution matching을 활용한 하이브리드 검색 아키텍처를 통해 기존 랭커를 재학습시키지 않고도 검색 스택에 통합되었습니다.

성능 측정 결과, 오프라인 테스트에서 기존 모델 대비 Hit@10 지표가 69% 상대적으로 향상되었습니다. 실제 글로벌 A/B 테스트 결과는 다음과 같습니다:

• 전체 전환율(CR) 2.28% 상승
• 검색 결과 없음(no-result) 비율 86% 감소
• Tail 쿼리(저빈도 쿼리)에서 7.93%의 높은 CR 상승 달성

특히 이번 업데이트는 검색이 어려운 Tail 쿼리에서 가장 큰 효과를 보였으며, 이는 기존의 인기 검색어 성능을 저해하지 않으면서도 복잡한 쿼리에 대한 검색 품질을 획기적으로 개선했음을 의미합니다.