🤖 AI

Performance-Driven QUBO for Recommender Systems on Quantum Annealers

本文介绍了 PDQUBO，这是一种与模型无关、以性能为导向的用于推荐系统的 QUBO 特征选择方法，该方法利用反事实分析使量子退火目标与推荐质量相一致，并在真实世界数据集上展现出优于先前量子与经典基线的卓越性能。

原作者： Jiayang Niu, Jie Li, Ke Deng, Mark Sanderson, Nicola Ferro, Yongli Ren

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Jiayang Niu, Jie Li, Ke Deng, Mark Sanderson, Nicola Ferro, Yongli Ren

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗易懂的语言和日常类比对论文《面向量子退火机的推荐系统性能驱动 QUBO 方法》的解释。

宏观视角：挑选最佳食材

想象你是一位经营餐厅的厨师（即推荐系统）。你拥有一个巨大的储藏室，里面装满了 500 种不同的香料和食材（这些就是特征）。你想为顾客做出最完美的菜肴，但一次性使用全部 500 种食材既杂乱又昂贵，实际上还会让食物味道变差，因为某些食材会相互冲突。

你需要挑选出一个完美的子集，比如 140 种食材，让菜肴味道惊艳。这被称为特征选择。

问题在于，找出哪 140 种食材搭配效果最佳极其困难。这就像试图在数十亿种可能性中找到能打开锁的那把完美钥匙组合。

新工具：量子“味觉测试员”

本文作者牛家阳（Jiayang Niu）及其团队构建了一种名为PDQUBO的新方法。他们利用一种名为量子退火机的特殊超级计算机来解决这个问题。

你可以将量子退火机想象成一个神奇、超高速的“味觉测试员”，它能在眨眼间尝试数百万种食材组合，找出味道最佳的那一种。然而，要让这种魔法生效，你必须给这位测试员一套非常具体的指令（一个名为QUBO的数学问题）。

旧方法的问题

在这篇论文之前，其他研究人员曾尝试向这些量子计算机下达指令，但他们有些困惑。

旧方法：他们告诉量子计算机：“挑选彼此在统计上相似的食材”或“挑选与食谱标签匹配的食材”。
缺陷：仅仅因为两种食材在纸面上看起来相似，并不意味着它们在最终菜肴中味道相融。旧方法优化的是错误的目标（比如计算你有多少种红色香料），而不是正确的目标（食物有多好吃）。

PDQUBO 解决方案：“如果……会怎样”分析

团队的核心思想是性能驱动。他们不使用猜测，而是采用一种称为反事实分析的技术。

想象你有一道完美的菜肴。

测试：你取出一种香料（比如红椒粉）并再次端上这道菜。味道变差了吗？如果是，说明红椒粉很重要。
双重测试：你同时取出两种香料（红椒粉和孜然）。菜肴的味道是否比只取走一种时差得多？如果是，说明这两种香料之间有一种特殊的“化学反应”或伙伴关系，至关重要。

PDQUBO 会对每一种食材以及每一对可能的食材组合进行这种测试。它精确测量当某种食材缺失时，“菜肴”（即推荐质量）受损的程度。随后，它将这种“味觉损失”数据输入量子计算机。

结果：量子计算机不再仅仅寻找随机模式；它被明确告知：“找出导致最少味觉损失的食材组合。”这将数学直接对齐了目标：做出更好的推荐。

他们的发现（结果）

团队使用不同类型的“厨师”（算法），在真实世界数据（如电影评分和购物习惯）上测试了这种方法。

更好的味道：PDQUBO 始终比旧的量子方法做出更好的推荐。这就像新厨师确切知道该保留哪些香料，而旧厨师只是根据颜色或形状在猜测。
“摇晃”的量子机器：他们发现当前的量子计算机有点不稳定，就像一只颤抖的手。如果问题太大或太难，机器每次被询问时有时会给出略有不同的答案。然而，PDQUBO 足够稳健，能够应对这种“摇晃”，并仍能找到好的解决方案。
速度：量子方法在解决数学部分时速度快得惊人，远超传统计算机，尽管设置“味觉测试”（数据准备）在普通计算机上仍需时间。
伙伴关系很重要：他们证明，成对地观察食材（检查红椒粉和孜然是否配合良好）至关重要。如果你只逐一查看食材，就会错过它们相互作用的魔力。

核心结论

这篇论文表明，通过采用“如果……会怎样”的方法来精确衡量移除某个特征时推荐效果受损的程度，我们可以教会量子计算机为我们挑选最佳特征。这是迈向利用这些未来机器显著改善 Netflix、Spotify 和 Amazon 推荐服务的一步，使其更优质、更快速、更准确。

简而言之：他们教会了量子计算机停止猜测，开始“品尝”，确保最终的推荐达到可能的最佳水平。

以下是论文《面向量子退火机的推荐系统性能驱动型 QUBO 方法》的详细技术总结。

1. 问题陈述

由于物品特征数量庞大，推荐系统常受困于“维数灾难”，导致冗余、存储成本增加以及检索效率降低。尽管特征选择至关重要，但传统方法往往未能显式地针对最终推荐性能（例如 nDCG 等排序指标）进行优化。

现有的用于特征选择的量子退火（QA）方法将问题表述为二次无约束二值优化（QUBO），但面临两个主要局限：

目标错位：当前的基于 QUBO 的方法（如 MIQUBO、CoQUBO）构建系数矩阵 $Q$ 时，依据的是统计依赖关系（互信息、相关性）或模型输出，而非对推荐性能指标的直接影响。
不稳定性：量子退火机在真实硬件（NISQ 时代）上的表现对问题规模、样本数量和问题难度敏感，导致结果不一致。

作者提出了三个关键研究问题：

量子退火机的不稳定性如何影响推荐系统的性能？
量子退火机在该领域的特征选择中效果如何？
基于量子硬件的 QUBO 方法能否达到或超越经典特征选择基线？

2. 方法论：PDQUBO

作者提出了PDQUBO（性能驱动型二次无约束二值优化），这是一个新颖的框架，利用反事实分析将 QUBO 优化目标与下游推荐性能直接对齐。

核心工作流

基础模型训练：在完整特征集 $F$ 上训练推荐模型（ $G_\Theta$ ）。
反事实分析：该方法通过创建“反事实实例”来评估特征的影响。它系统地掩码（移除）输入中的单个特征（ $f_i$ $f_{i}$ ）和特征对（ $f_i, f_j$ $f_{i}, f_{j}$ ），并测量评估指标（如 nDCG）的变化。
- $E_i$ ：移除 $f_i$ 时的性能下降。
- $E_{ij}$ ：同时移除 $f_i$ 和 $f_j$ 时的性能下降。
- 注：正的 $E$ 值表示特征重要（移除后性能下降）；负的 $E$ 值表明特征是冗余或有害的。
QUBO 构建：利用反事实值构建 QUBO 系数矩阵 $Q$ $Q$ ：
- 对角元素（ $Q_{ii}$ ）：设为 $-E_i$ （代表单个特征的重要性）。
- 非对角元素（ $Q_{ij}$ ）：设为 $-E_{ij}$ （代表成对特征交互）。
- 目标函数最小化能量 $Y = x^T Q x$ ，其中 $x$ 是指示特征选择的二进制向量。最小化 $Y$ 对应于选择能最大化推荐性能的特征。
优化：构建的 QUBO 问题使用经典求解器（模拟退火、禁忌搜索）或量子退火机（D-Wave）进行求解。
重训练：使用选定的特征子集重新训练基础模型以进行最终评估。

关键区别

模型无关：PDQUBO 适用于任何基础模型（KNN、MLP、NCF）和任何指标。
交互感知：与将特征独立处理的“过滤”方法不同，PDQUBO 通过 $Q$ 中的二次项显式建模成对交互。

3. 主要贡献

PDQUBO 框架：一种新的 QUBO 公式，通过反事实分析将特征选择与推荐性能显式关联，确保优化方向是性能驱动而非统计驱动。
全面的不稳定性分析：对真实世界量子退火机的不稳定性进行了详细调查，分析了以下因素如何影响解的质量：
- 问题规模（特征数量）。
- 样本规模（退火运行次数）。
- 问题难度（数据稀疏性）。
实证验证：在真实世界数据集（CLEF 2024 QuantumCLEF 数据集、KuaiRec、KuaiRand、Avazu、Criteo）上进行了广泛实验，证明 PDQUBO 优于现有的 QUBO 基线，并与最先进的经典特征选择方法竞争。
可扩展性洞察：分析了计算成本，并提出了一种两阶段剪枝策略以缓解构建完整 QUBO 矩阵的 $O(|F|^2)$ 复杂度，尽管论文结论指出，为了获得最佳性能，完整的二次公式是必要的。

4. 实验结果

作者在多种数据集和模型上，将 PDQUBO 与基线方法（CQFS、MIQUBO、CoQUBO、QUBO-Boosting）及经典方法（Lasso、GBDT、排列重要性）进行了评估。

性能与基线对比：
- 在 150_ICM 和 500_ICM 数据集的大多数配置中，PDQUBO 始终取得了最佳或第二佳的 nDCG@10 分数。
- 在点击率（CTR）预测任务（Avazu、Criteo）中，PDQUBO-Hybrid（使用混合量子 - 经典求解器）取得了最高的 AUC 分数，优于经典基线和其他 QUBO 变体。
- PDQUBO 显著优于其他 QUBO 方法（如 MIQUBO），证明了性能驱动构建优于统计依赖构建。
不稳定性发现：
- 问题规模：随着特征数量超过硬件逻辑量子比特容量，量子退火（QA）结果变得不稳定，而经典求解器（SA、TS）保持稳定。
- 样本规模：增加 QA 样本数量显著降低了能量方差并改善了下游性能，突显了 NISQ 设备中充分采样的必要性。
- 难度：QA 在稀疏（困难）数据集上往往表现出更大但更波动性能提升。
二次项的必要性：
- 比较“仅对角”（Indiv）与“全矩阵”（All）的实验表明，包含成对交互（ $Q_{ij}$ ）至关重要。“全矩阵”方法产生了显著更好的结果，证实了在此背景下特征交互对于有效选择的重要性。
效率：
- 虽然经典求解器的时间复杂度随问题规模呈指数增长，但量子退火时间保持相对恒定（受限于硬件访问和采样时间），一旦克服硬件限制，为大规模问题提供了潜在的速度优势。

5. 意义与未来方向

弥合差距：这项工作通过确保优化目标直接针对业务指标（推荐质量），成功弥合了理论量子优化与实际推荐系统部署之间的差距。
实际可行性：结果表明，即使受限于当前的 NISQ 硬件，混合量子 - 经典方法也能提供与成熟经典方法相比具有竞争力或更优的特征选择。
未来工作：作者建议将 PDQUBO 扩展至建模高阶特征交互（超越成对），并探索基于门控的量子计算机上的变分量子算法，以处理更大规模、更复杂的特征结构。

总之，PDQUBO 代表了将量子计算应用于现实世界推荐挑战的重要一步，证明了性能驱动、基于反事实的 QUBO 公式可以有效地利用量子退火机进行高质量的特征选择。