AudioBoost：通过LLM生成合成查询增强Spotify搜索中的有声书发现

1. 引言

Spotify引入有声书内容后产生了显著的冷启动问题，新内容相较于成熟的音乐和播客内容存在可检索性低的问题。AudioBoost系统通过利用大语言模型生成合成查询来应对这一挑战，同时提升查询构建和检索能力。

关键性能指标

有声书曝光量：+0.7%
有声书点击量：+1.22%
探索性查询补全：+1.82%

2. 方法论

2.1 合成查询生成

AudioBoost使用基于有声书元数据的大语言模型，生成涵盖主题、流派、故事套路和年代背景的多样化探索性查询。生成过程遵循结构化提示工程方法，确保查询质量和相关性。

2.2 查询自动补全集成

合成查询被集成到Spotify的查询自动补全系统中，引导用户输入更多探索性查询，解决用户搜索行为与有声书内容之间的词汇不匹配问题。

2.3 检索系统增强

生成的查询被索引到Spotify的搜索检索引擎中，为有声书发现创建额外路径，使其能够通过更广泛的主题搜索被发现，而不仅限于精确标题匹配。

3. 技术实现

3.1 数学框架

可检索性改进可通过概率框架建模：$P(r|q,d) = \frac{\exp(\text{sim}(q,d))}{\sum_{d' \in D} \exp(\text{sim}(q,d'))}$，其中$q$表示查询，$d$表示文档，$\text{sim}$为相似度函数。合成查询生成旨在最大化$\sum_{q \in Q_{\text{syn}}} P(r|q,d_{\text{audiobook}})$。

3.2 代码实现

class AudioBoostQueryGenerator:
    def __init__(self, llm_model, metadata_fields):
        self.llm = llm_model
        self.fields = metadata_fields
    
    def generate_queries(self, audiobook_data, num_queries=10):
        prompt = self._construct_prompt(audiobook_data)
        synthetic_queries = self.llm.generate(
            prompt=prompt,
            max_tokens=50,
            num_return_sequences=num_queries
        )
        return self._filter_queries(synthetic_queries)
    
    def _construct_prompt(self, data):
        return f"""为有声书生成多样化搜索查询：
        标题：{data['title']}
        作者：{data['author']}
        流派：{data['genre']}
        主题：{data['themes']}
        生成关于主题、类似书籍、情绪氛围的探索性查询："""

4. 实验结果

4.1 离线评估

离线评估显示有声书可检索性指标显著提升。与仅使用自然查询相比，合成查询的覆盖率提高了35%，在人工评估量表上的质量得分超过0.85。

4.2 在线A/B测试

涉及数百万用户的在线A/B测试显示出统计显著性改进：有声书曝光量提升0.7%，有声书点击量提升1.22%，探索性查询补全提升1.82%，验证了AudioBoost方法的有效性。

5. 未来应用

AudioBoost方法可扩展至内容平台的其他冷启动场景，包括新播客节目、新兴音乐流派和视频内容。未来工作包括基于用户收听历史个性化合成查询，以及集成多模态内容理解。

专家分析：内容发现中的冷启动难题

AudioBoost为推荐系统中最顽固的问题之一——冷启动困境——提供了务实解决方案。该方法通过将大语言模型作为合成用户代理，巧妙弥合了有限用户交互与全面内容发现之间的鸿沟。这种方法与计算机视觉领域的类似技术相呼应，其中CycleGAN风格的域转换已被用于为代表性不足的类别生成训练数据[Zhu et al., 2017]。

技术实现展现了对搜索生态系统动态的深刻理解。通过同时针对查询构建（通过QAC）和检索进行优化，AudioBoost创建了一个良性循环：改进的建议带来更好的查询，进而提升检索性能。这种双重方法让人联想到强化学习系统中动作空间和观察空间同时优化的策略[Sutton & Barto, 2018]。

然而，本文最重要的贡献可能是展示了在实际生产系统中部署大语言模型的实践。虽然大量大语言模型研究聚焦于基准性能，但AudioBoost展示了这些模型如何在真实应用中驱动具体业务指标。探索性查询1.82%的增长表明，系统成功引导用户行为转向更偏向发现的搜索模式，从根本上解决了冷启动挑战。

该方法可通过将用户特定因素纳入查询生成来进一步强化，类似于现代推荐系统基于个人偏好个性化内容的方式[Ricci et al., 2011]。此外，音频内容分析的集成可为查询生成提供另一个维度，超越元数据实现真正的内容理解。

6. 参考文献

Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. Springer.
Palumbo, E., et al. (2025). AudioBoost: Increasing Audiobook Retrievability in Spotify Search with Synthetic Query Generation. EARL Workshop@RecSys.

行业分析师视角

一针见血： AudioBoost不仅仅是又一个人工智能实验——它是对困扰内容平台数十年的冷启动问题的精准打击。Spotify正在将大语言模型不是用作聊天机器人，而是作为重塑用户行为和内容发现经济性的战略武器。

逻辑链条： 因果链条经过精心设计：有限的有声书交互→合成查询生成→改进的QAC建议→用户行为改变→探索性查询增加→有声书可检索性增强→业务指标提升。这创建了一个自我强化的发现循环，从根本上改变了内容曝光格局。

亮点与槽点： 最突出的创新是在查询建议和检索系统中的双重部署——大多数公司只会选择其中之一。探索性查询1.82%的提升展示了实际的行为改变，而不仅仅是算法优化。然而，该方法存在创建脱离真实用户意图的人工查询生态系统的风险，且论文未解决查询质量随时间可能退化的问题。

行动启示： 对产品负责人而言：这表明大语言模型应用应聚焦于生态系统级干预而非单点解决方案。对工程师而言：真正的经验在于将学术技术产品化——注意他们如何使用既定指标而非追逐新颖评估框架。下一个前沿将是在保持发现多样性的同时个性化这些合成查询。

目录