RecSys2022 | 当推荐系统遇到量子计算

嘿，记得给“机器学习与推荐算法”添加星标

---

经过几十年来的理论研究，量子计算现在正成为解决现实问题的有用工具。文本介绍的工作旨在通过实验探索目前可用的量子计算机的可行性，期望基于量子退火范式，建立一个利用社区检测的推荐系统，目前该工作已发表于2022年的推荐系统年会RecSys上。社区检测，通过将用户和物品划分为密集连接的集群，可以通过假设每个社区内的用户有相似的品味来提高非个性化推荐的准确性。然而，社区检测是一个计算上很昂贵的过程。

最近作为云端设备的量子退火器的出现，构成了探索社区检测的一个新兴方向，尽管有效利用这种新技术是一条长期的道路，仍然需要在硬件和算法方面取得进展。这项工作旨在通过评估社区检测的质量来进行研究，该检测过程被建模为真实推荐场景下的二次无约束二元优化问题。通过在多个数据集上的实验结果显示，量子求解器能够检测到与经典求解器质量相当的社团，且速度更快，而且建立在这些社区之上的非个性化的推荐模型表现出更好的推荐质量。我们得出的结论是，量子计算虽然处于成熟和适用的早期阶段，但随着技术的发展，它在支持新的推荐模型和带来更好的可扩展性方面显示出非常广阔的前景。

原文: https://dl.acm.org/doi/pdf/10.1145/3523227.3551478
代码：https://github.com/qcpolimi

量子计算是一项新兴技术，其有望通过利用量子力学现象所带来的新的计算范式，大大加快一些传统方法难以解决的问题。在现有的范式中，本文重点讨论量子退火（QA）算法，其能够对优化问题的低能量解决方案进行采样，且能够为优化问题提供低能量的解决方案。现有的量子架构与其他架构相比，量子退火器拥有最高数量的量子比特，并且强大到足以解决小而有趣的机器学习和分类问题。

这项工作的目的是对量子技术进行探索性研究，旨在评估它是否可以在实践中应用于推荐系统领域，即众所周知的计算难度。有效利用量子计算潜力的目标确实是一个漫长而复杂的旅程，它不仅带来了硬件开发方面的挑战，而且还带来了理解如何使用它、哪些任务更适合硬件能力以及我们如何将其整合到成功的应用中的挑战。为此，这项工作的另一个目标是提高社会对这项新技术的认识，因为这项技术比它的名声更容易获得。在这项工作中，本文提出了一个简单而有效的方法，即利用社区检测来提高已有的推荐模型的质量。尽管实验分析仍然受到这种创新技术的限制，但结果是有希望的，并提出了几个研究问题和可能的应用。特别是，本文讨论了以下研究问题。

• 社区检测能否提高非个性化推荐模型的推荐质量？
• 量子退火是否可以用来快速找到有用的社区？

图中显示了每个数据集关于基线方法和基于社区信息的流行度算法的推荐准确率

D-Wave Leap Hybrid和量子退火法在MovieLens1M上的推荐结果

图中总结了随着迭代的进行，单个社区内的推荐质量如何变化

更加详细的内容可阅读原论文。

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧👇