机构名称：
¥ 1.0
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，
CRUISE 关于推荐系统中特征选择的量子计算
主要关键词
相关文件推荐
