Звук: LLM-поиск музыки по настроению, MAP выше фасетного на 17 п.п.

Пользователи музыкального сервиса «Звук» всё чаще формулируют запросы через контекст, настроение и ситуацию: «что-нибудь бодрое для утренней пробежки», «музыка для позднего вечера». Традиционный поиск работает с сущностями — названиями, исполнителями, жанрами, плейлистами — и на таких запросах системно проигрывает. Каталог «Звука» насчитывает десятки миллионов треков, и подавляющее большинство из них не оптимизировано под «правильные» слова. Генерация списка треков через GPT-4.1 галлюцинирует и требует прогона LLM на каждый запрос, а фасетный поиск ограничен схемой тегов.

Команда ML Research «Звука» вместе с Институтом AIRI построила семантический поиск: запрос и трек кодируются в одно векторное пространство, кандидаты ищутся по ближайшим соседям. Трек описан JSON-подобным текстовым дескриптором: сущности, характеристики из аудио (извлечены моделями VGGish и Whisper), настроение, теги, часть текста песни и сгенерированное LLM поле about. Эмбеддер (gte-Qwen2-7B-instruct, Giga-Embeddings-instruct) дообучен на синтетических запросах GPT-4.1 и экспертной разметке. Знания cross-encoder на Qwen-2.5-14B-Instruct (MAP 90,2%) переданы эмбеддеру дистилляцией, чтобы не прогонять более 500 кандидатов на каждый запрос через тяжёлую модель в реальном времени.

Синтетические данные охватили 51 701 трек; экспертная разметка шла с перекрытием по три эксперта. Финальные метрики считались на отдельном наборе около 500 запросов, который музыкальные эксперты составили независимо. На нём MAP семантического поиска на 17 процентных пунктов выше, чем у фасетного, и на 7 пунктов выше, чем у генерации через LLM; после дистилляции MAP Giga-Embeddings-instruct составил 88,1%. A/B-тест проводился на голосовых запросах с умных колонок: экспериментальная группа получала выдачу новой системы, контрольная — текущего поиска готовых плейлистов. По данным компании, прирост среднего времени прослушивания (ATS) стабильно двузначный в процентах, это основание для масштабирования на большую долю трафика.