🤖 AI

Performance-Driven QUBO for Recommender Systems on Quantum Annealers

Dit artikel introduceert PDQUBO, een modelonafhankelijke, prestatiegedreven QUBO-methode voor kenmerkselectie in aanbevelingssystemen die contrafactuele analyse benut om de doelstellingen van kwantumtemperen af te stemmen op de kwaliteit van aanbevelingen, en die superieure prestaties aantoont ten opzichte van eerdere kwantum- en klassieke basismethoden op real-world datasets.

Oorspronkelijke auteurs: Jiayang Niu, Jie Li, Ke Deng, Mark Sanderson, Nicola Ferro, Yongli Ren

Gepubliceerd 2026-05-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jiayang Niu, Jie Li, Ke Deng, Mark Sanderson, Nicola Ferro, Yongli Ren

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Beste Ingrediënten Kiezen

Stel je voor dat je een chef bent die een restaurant runt (een Aanbevelingssysteem). Je hebt een enorme voorraadkast vol met 500 verschillende kruiden en ingrediënten (dit zijn de kenmerken). Je wilt het beste gerecht mogelijk maken voor je klanten, maar het gebruik van alle 500 ingrediënten tegelijk is rommelig, duur en maakt het eten eigenlijk slechter van smaak, omdat sommige ingrediënten met elkaar botsen.

Je moet het perfecte subset kiezen, zeg maar 140 ingrediënten, die het gerecht geweldig zullen laten smaken. Dit noemen we Kenmerkenselectie.

Het probleem is dat uitzoeken welke 140 ingrediënten het beste samenwerken, ongelooflijk moeilijk is. Het is alsof je probeert de perfecte combinatie van sleutels te vinden om een slot te openen, waarbij er miljarden mogelijkheden zijn.

Het Nieuwe Gereedschap: Een Quantum "Smaaktester"

De auteurs van dit paper, Jiayang Niu en zijn team, hebben een nieuwe methode ontwikkeld die PDQUBO heet. Ze maken gebruik van een speciaal type supercomputer, een Quantum Annealer, om dit probleem op te lossen.

Stel je een Quantum Annealer voor als een magische, supersnelle "smaaktester" die miljoenen combinaties van ingrediënten in een flits kan proberen om degene te vinden die het lekkerst smaakt. Om deze magie echter werk te laten, moet je de smaaktester een zeer specifieke set instructies geven (een wiskundig probleem dat QUBO heet).

Het Probleem met Oude Methoden

Voor dit paper probeerden andere onderzoekers deze quantumcomputers instructies te geven, maar ze waren een beetje in de war.

Oude Methode: Ze vertelden de quantumcomputer: "Kies ingrediënten die statistisch op elkaar lijken" of "Kies ingrediënten die overeenkomen met de receptlabels."
De Fout: Alleen omdat twee ingrediënten op papier op elkaar lijken, betekent niet dat ze goed smaken in het eindgerecht. De oude methoden optimaliseerden voor het verkeerde ding (zoals tellen hoeveel rode kruiden je hebt) in plaats van het goede ding (hoe goed het eten smaakt).

De PDQUBO Oplossing: "Wat Als?" Analyse

Het grote idee van het team is Performance-Driven (Prestatie-gedreven). In plaats van te gokken, gebruiken ze een techniek die Counterfactual Analysis (Contrfactuele Analyse) heet.

Stel je voor dat je een perfect gerecht hebt.

De Test: Je haalt één kruid eruit (zeg, paprika) en serveert het gerecht opnieuw. Smaakte het slechter? Zo ja, dan is paprika belangrijk.
De Dubbele Test: Je haalt twee kruiden tegelijk weg (paprika en komijn). Smaakte het gerecht veel slechter dan alleen het weghalen van één? Zo ja, dan hebben die twee kruiden een speciale "chemie" of partnerschap dat cruciaal is.

PDQUBO doet dit voor elk enkel ingrediënt en elke mogelijke paar van ingrediënten. Het meet precies hoeveel het "gerecht" (de kwaliteit van de aanbeveling) lijdt wanneer een ingrediënt ontbreekt. Vervolgens voert het deze "smaakverlies"-data in bij de quantumcomputer.

Het Resultaat: De quantumcomputer zoekt niet zomaar naar willekeurige patronen; het krijgt expliciet te horen: "Vind de combinatie van ingrediënten die het minste smaakverlies veroorzaakt." Dit brengt de wiskunde direct in lijn met het doel: betere aanbevelingen maken.

Wat Ze Vonden (De Resultaten)

Het team testte dit op real-world data (zoals filmbeoordelingen en winkelgedrag) met verschillende soorten "chefs" (algoritmen).

Beter Smaak: PDQUBO leverde consequent betere aanbevelingen op dan de oude quantummethoden. Het was alsof de nieuwe chef precies wist welke kruiden hij moest behouden, terwijl de oude chefs gewoon gokten op basis van kleur of vorm.
De "Wankelende" Quantum Machine: Ze ontdekten dat huidige quantumcomputers een beetje instabiel zijn, als een trillende hand. Als het probleem te groot of te moeilijk is, geeft de machine soms een iets ander antwoord elke keer als je het vraagt. PDQUBO was echter robuust genoeg om deze "wankeling" te hanteren en toch goede oplossingen te vinden.
Snelheid: De quantummethode was ongelooflijk snel in het oplossen van het wiskundige deel, veel sneller dan traditionele computers, hoewel het opzetten van de "smaaktest" (de data-voorbereiding) nog steeds tijd kost op gewone computers.
Partnerschappen Zaken: Ze bewezen dat het bekijken van ingrediënten in paren (controleren of paprika en komijn goed samenwerken) essentieel is. Als je alleen naar ingrediënten één voor één kijkt, mis je de magie van hoe ze met elkaar interageren.

De Conclusie

Dit paper laat zien dat we door een "Wat Als?"-benadering te gebruiken om precies te meten hoeveel een aanbeveling lijdt wanneer een kenmerk wordt verwijderd, we quantumcomputers kunnen leren om de beste kenmerken voor ons te kiezen. Het is een stap in de richting van het gebruik van deze futuristische machines om onze Netflix-, Spotify- en Amazon-aanbevelingen aanzienlijk beter, sneller en nauwkeuriger te maken.

Kortom: Ze leerden een quantumcomputer om te stoppen met gokken en te beginnen met proeven, zodat de uiteindelijke aanbeveling zo goed mogelijk is.

1. Probleemstelling

Aanbevelingssystemen lijden vaak onder de "vloek van de dimensionaliteit" vanwege het enorme aantal itemkenmerken, wat leidt tot redundantie, verhoogde opslagkosten en verminderde ophaalefficiëntie. Hoewel kenmerkselectie cruciaal is, slagen traditionele methoden er vaak niet in om expliciet te optimaliseren voor de uiteindelijke aanbevelingsprestaties (bijvoorbeeld rangschikkingsmetrieken zoals nDCG).

Bestaande Quantum Annealing (QA)-benaderingen voor kenmerkselectie, die het probleem formuleren als Quadratic Unconstrained Binary Optimization (QUBO), staan voor twee hoofdbeperkingen:

Niet-uitgelijnde Doelstellingen: Huidige op QUBO gebaseerde methoden (bijv. MIQUBO, CoQUBO) construeren de coëfficiëntenmatrix $Q$ op basis van statistische afhankelijkheden (onderlinge informatie, correlatie) of modeluitkomsten, in plaats van de directe impact op de aanbevelingsprestatie-metriek.
Instabiliteit: De prestaties van quantum annealers op echte hardware (NISQ-tijdperk) zijn gevoelig voor probleemgrootte, steekproefaantallen en probleemmoeilijkheid, wat leidt tot inconsistente resultaten.

De auteurs stellen drie belangrijke onderzoeksvragen:

Hoe beïnvloedt de instabiliteit van quantum annealers de prestaties van aanbevelingssystemen?
Hoe effectief zijn quantum annealers voor kenmerkselectie in dit domein?
Kunnen op QUBO gebaseerde methoden op quantum-hardware klassieke benchmarks voor kenmerkselectie evenaren of overtreffen?

2. Methodologie: PDQUBO

De auteurs stellen PDQUBO (Performance-Driven Quadratic Unconstrained Binary Optimization) voor, een nieuw raamwerk dat de QUBO-optimalisatiedoelstelling direct afstemt op de downstream aanbevelingsprestatie met behulp van contrfactuele analyse.

Kernwerkstroom

Training Basismodel: Een aanbevelingsmodel ( $G_\Theta$ ) wordt getraind op de volledige kenmerkset $F$ .
Contrfactuele Analyse: De methode evalueert de impact van kenmerken door "contrfactuele instanties" te creëren. Het maskeert systematisch individuele kenmerken ( $f_i$ $f_{i}$ ) en paren van kenmerken ( $f_i, f_j$ $f_{i}, f_{j}$ ) uit de invoer en meet de verandering in de evaluatiemetriek (bijv. nDCG).
- $E_i$ : Prestatieverlies wanneer $f_i$ wordt verwijderd.
- $E_{ij}$ : Prestatieverlies wanneer zowel $f_i$ als $f_j$ worden verwijderd.
- Opmerking: Een positieve $E$ geeft aan dat het kenmerk belangrijk is (prestaties dalen bij verwijdering); een negatieve $E$ suggereert dat het kenmerk overbodig of schadelijk is.
QUBO Formulering: De contrfactuele waarden worden gebruikt om de QUBO coëfficiëntenmatrix $Q$ $Q$ te construeren:
- Diagonaalelementen ( $Q_{ii}$ ): Gesteld op $-E_i$ (representerend individuele kenmerkbelang).
- Niet-diagonaalelementen ( $Q_{ij}$ ): Gesteld op $-E_{ij}$ (representerend paarsgewijze kenmerkinteracties).
- De doelstellingsfunctie minimaliseert energie $Y = x^T Q x$ , waarbij $x$ een binaire vector is die kenmerkselectie aangeeft. Het minimaliseren van $Y$ komt overeen met het selecteren van kenmerken die de aanbevelingsprestatie maximaliseren.
Optimalisatie: Het geconstrueerde QUBO-probleem wordt opgelost met behulp van klassieke oplosprogramma's (Gesimuleerde Annealing, Tabu Search) of Quantum Annealers (D-Wave).
Hertraining: Het geselecteerde kenmerksubset wordt gebruikt om het basismodel opnieuw te trainen voor de uiteindelijke evaluatie.

Belangrijkste Onderscheidende Kenmerken

Modelonafhankelijk: PDQUBO werkt met elk basismodel (KNN, MLP, NCF) en elke metriek.
Interactiebewust: In tegenstelling tot "filter"-methoden die kenmerken onafhankelijk behandelen, modelleert PDQUBO expliciet paarsgewijze interacties via de kwadratische termen in $Q$ .

3. Belangrijkste Bijdragen

PDQUBO Raamwerk: Een nieuwe QUBO-formulering die kenmerkselectie expliciet koppelt aan aanbevelingsprestaties via contrfactuele analyse, zodat de optimalisatierichting prestatiegedreven is in plaats van statistisch gedreven.
Uitgebreide Stabiliteitsanalyse: Een gedetailleerd onderzoek naar de instabiliteit van echte quantum annealers, waarbij wordt geanalyseerd hoe de oplossingskwaliteit varieert met:
- Probleemgrootte (aantal kenmerken).
- Steekproefgrootte (aantal annealing-runnen).
- Probleemmoeilijkheid (data-schaarste).
Empirische Validatie: Uitgebreide experimenten op real-world datasets (CLEF 2024 QuantumCLEF datasets, KuaiRec, KuaiRand, Avazu, Criteo) die aantonen dat PDQUBO bestaande QUBO-benchmarks overtreft en concurreert met state-of-the-art klassieke methoden voor kenmerkselectie.
Schaalbaarheidsinzichten: Analyse van de computatiekosten en een voorgestelde twee-staps pruning-strategie om de $O(|F|^2)$ complexiteit van het construeren van de volledige QUBO-matrix te mitigeren, hoewel het artikel concludeert dat de volledige kwadratische formulering noodzakelijk is voor optimale prestaties.

4. Experimentele Resultaten

De auteurs hebben PDQUBO geëvalueerd tegenover benchmarks (CQFS, MIQUBO, CoQUBO, QUBO-Boosting) en klassieke methoden (Lasso, GBDT, Permutation Importance) over verschillende datasets en modellen.

Prestaties versus Benchmarks:
- PDQUBO behaalde consistent de beste of tweede beste nDCG@10 scores in de meeste configuraties op de 150_ICM en 500_ICM datasets.
- In CTR-predictietaken (Avazu, Criteo) behaalde PDQUBO-Hybrid (met behulp van een hybride quantum-klassiek oplosprogramma) de hoogste AUC-scores, presterend beter dan zowel klassieke benchmarks als andere QUBO-varianten.
- PDQUBO presteerde significant beter dan andere QUBO-methoden (zoals MIQUBO), wat bewijst dat prestatiegedreven constructie superieur is aan constructie op basis van statistische afhankelijkheid.
Stabiliteitsbevindingen:
- Probleemgrootte: Quantum Annealing (QA) resultaten worden instabiel naarmate het aantal kenmerken de logische qubit-capaciteit van de hardware overschrijdt, terwijl klassieke oplosprogramma's (SA, TS) stabiel blijven.
- Steekproefgrootte: Het verhogen van het aantal QA-steekproeven vermindert de energievvariantie aanzienlijk en verbetert de downstream prestaties, wat de noodzaak benadrukt van voldoende steekproeven in NISQ-apparaten.
- Moeilijkheid: QA neigt tot grotere maar meer vluchtige prestatiewinsten te tonen op schaarse (moeilijke) datasets.
Noodzaak van Kwadratische Termen:
- Experimenten die "Indiv" (alleen diagonaal) vergelijken met "All" (volledige matrix) toonden aan dat het opnemen van paarsgewijze interacties ( $Q_{ij}$ ) cruciaal is. De "All"-benadering leverde aanzienlijk betere resultaten op, wat bevestigt dat kenmerkinteracties vitaal zijn voor effectieve selectie in deze context.
Efficiëntie:
- Hoewel de tijdcomplexiteit van klassieke oplosprogramma's exponentieel groeit met de probleemgrootte, blijft de quantum annealing-tijd relatief constant (beperkt door hardwaretoegang en steekproeftijd), wat een potentieel snelheidsvoordeel biedt voor grootschalige problemen zodra hardwarebeperkingen zijn overwonnen.

5. Betekenis en Toekomstige Richtingen

Overbrugging van de Kloof: Dit werk slaagt erin de kloof tussen theoretische quantum-optimalisatie en praktische implementatie van aanbevelingssystemen te overbruggen door ervoor te zorgen dat de optimalisatiedoelstelling direct gericht is op de zakelijke metriek (kwaliteit van aanbevelingen).
Praktische Haalbaarheid: De resultaten suggereren dat zelfs met de huidige beperkingen van NISQ-hardware, hybride quantum-klassieke benaderingen concurrerende of superieure kenmerkselectie kunnen bieden vergeleken met volwassen klassieke methoden.
Toekomstig Werk: De auteurs suggereren PDQUBO uit te breiden tot hogere-orde kenmerkinteracties (boven paren) en het verkennen van variational quantum algorithms op gate-gebaseerde quantumcomputers om grootschaligere, complexere kenmerkstructuren te verwerken.

Concluderend vertegenwoordigt PDQUBO een belangrijke stap voorwaarts in het toepassen van quantum computing op real-world aanbevelingsuitdagingen, en toont het aan dat prestatiegedreven, contrfactuele QUBO-formuleringen quantum annealers effectief kunnen benutten voor hoogwaardige kenmerkselectie.