面向工业音乐搜索的表形式神经稀疏检索：鲁棒的模糊匹配

Amazon Music 规模的音乐搜索 presents a unique 挑战：查询频繁偏离索引的元数据 due to misspellings、transpositions 和 phonetic variations，但检索系统必须在严格的毫秒级延迟约束下运行。我们现有的学习检索系统High Confidence Index (HCI)依赖于客户行为学习查询-实体关联，依赖于持续的"探索"来选择候选对象。传统的 n-gram 匹配支持这种探索，但 suffers from poor semantic robustness 和 high noise，限制了系统从长尾查询中学习的能力。在本工作中，我们提出一种robust neural sparse retrieval system designed to maximize exploration efficiency。我们将一种state-of-the-art inference-free sparse retrieval architecture 适用于音乐领域，结合effective domain-specific granular subword tokenization strategy。我们的方法利用 short-length token constraints (max 3 chars) 来强制学习表形式鲁棒性而非词汇记忆。在离线索引阶段预计算神经嵌入和term expansions，线上处理仅需最小化的 tokenization 和 IDF 加权，实现查询编码的实际零延迟开销。在6M文档生产语料库上的评估显示，aggregate recall@10 为 \textbf{91.4\%}（相对于 \textbf{57.7\%} 的 trigrams），在可比吞吐量下。对HCI反馈循环的仿真显示，我们的方法在探索效率上优于生产级 trigrams，\textbf{+0.8\%} 的 higher stabilized recall。消融研究表明，我们的稀疏训练方法驱动了性能提升，而领域特定的预训练提供了大规模通用预训练的成本有效替代方案。