Practical quantum computing : a collaborative-driven quantum feature selection approach for the cold-start problem in recommender systems

Recommender systems are tools aimed at recommending items to the users of a platform, trying to predict their preferences. The popularity of this tools has been increasing with the continuous growth of the Web, and they have been extensively implemented on platforms that sell contents to their users, such as Netflix or Amazon. In order to make recommendations, a recommender system relies on two main types of information, content and collaborative. The first refers to the features characterizing the items on the platform, such as the actors and the release year of a movie, or the author and the genre of a book. Collaborative information, instead, consists of the past interactions between users and items and it is known in the recommender systems literature that methods based on this type of information generally perform better than content-based ones. However, it is not always possible to rely on collaborative information, for example when a new item is added to the platform. This situation is called cold-start scenario and in such cases only content-based and collaborative with side information methods are effective, since content information is available, as opposed to collaborative one. Different techniques have been proposed to cope with the cold-start problem by optimizing content-based approaches. For example, feature weighting techniques, that weight item features based on various criteria. In particular, recent machine learning approaches have obtained promising results by estimating weights on the base of collaborative information. Further developing this concept, in this thesis we propose a new feature selection model able to embed collaborative information into a content-based model. In particular, in order to efficiently tackle the given problem, we apply quantum annealing, one of the current paradigms of quantum computing. Quantum annealing has been acquiring great industrial interest in recent years due to its ability of efficiently solving practical NP-hard optimization problems.

I sistemi di raccomandazione sono degli strumenti utilizzati per raccomandare degli oggetti agli utenti di una piattaforma, cercando di predire le loro preferenze. La popolarità di questi strumenti è aumentata costantemente con la crescita del Web, ed essi sono stati integrati sempre più in piattaforme che vendono contenuti ai loro utenti, come Netflix o Amazon. Per proporre raccomandazioni, questi strumenti si affidano a due principali tipi di informazione, quella contenutistica e quella collaborativa. La prima si riferisce a quelle caratteristiche che rappresentano gli oggetti di una piattaforma, come gli attori e l’anno di uscita di un film, o l’autore e il genere di un libro. L’informazione collaborativa, invece, consiste nelle interazioni passate tra utenti e oggetti ed è noto, nella letteratura dei sistemi di raccomandazione, che i metodi basati su questi tipo di informazione ottengano risultati generalmente migliori di quelli basati sui contenuti. Tuttavia, non è sempre possibile fare affidamento sull’informazione collaborativa, per esempio quando un nuovo oggetto viene aggiunto alla piattaforma. Questa situazione è chiamata scenario cold-start e, in questi casi, solo i metodi basati sul contenuto e quelli collaborativi con informazione laterale sono efficaci, considerato che l’informazione contenutistica è l’unica disponibile. Diverse tecniche sono state proposte per trattare il problema cold-start ottimizzando gli approcci basati sul contenuto. Per esempio, esistono tecniche che ponderano le caratteristiche degli oggetti secondo vari criteri. In particolare, recenti approcci basati sul machine learning hanno ottenuto risultati promettenti, stimando i pesi delle caratteristiche sulla base dell’informazione collaborativa. Sviluppando ulteriormente questo concetto, in questa tesi proponiamo un nuovo metodo di selezione delle caratteristiche in grado di incorporare l’informazione collaborativa in un modello contenutistico. Nello specifico, per affrontare efficientemente il problema ottenuto, utilizziamo il quantum annealing, uno degli attuali paradigmi di quantum computing. Il quantum annealing ha acquisito sempre più interesse industriale negli ultimi anni, grazie alla sua capacità di risolvere efficientemente problemi pratici di ottimizzazione classificati come NP-difficili.