A quantum approach to a learning-based collaborative filtering method in recommender systems

Recommender systems are information filtering systems used to recommends movies, books, or many other products and services to users. Nowadays, due to information overload, the daily usage of recommender systems is growing. For instance, when users visit Amazon, they are provided with a list of recommended items based on their preferences. Moreover, recommender systems can be, generally, based on all kinds of technologies: information retrieval algorithms, statistics, machine learning algorithms, etc. With the new era, new promising technologies are available. One of them is the quantum computing; especially quantum annealing computers. They are machines that follow natural physics processes where the system evolves towards the lowest energy. This allows them to solve specific combinatorial optimization problems. In general, many optimization problems can be already solved with exact or heuristic algorithms executed on classical computers. But nobody tried to use quantum annealing computers to solve them in recommender systems. Therefore, the objective of this research is to exploit the new quantum technology to develop a new model. Specifically, to be solved by quantum computers, the core algorithm of the model should be composed of specific optimization problems. In the end, the results of the experiments show that the new quantum technology has performance nowhere near state-of-the-art models. However, the new technology might have a promising future because the new model solved with a heuristic algorithm achieved performance similar to state-of- the-art models. Therefore, with improved quantum computers, it might be possible to obtain better performance.

I sistemi di raccomandazione sono sistemi di filtraggio delle informazioni usato per raccomandare film, libri, o molti altri prodotti e servizi a utenti. Al giorno d’oggi, a causa del sovraccarico delle informazioni, l’utilizzo giornaliero dei sistemi di raccomandazioni sta aumentando. Per esempio, quando utenti visitano Amazon, vengono forniti con una lista di prodotti raccomandati basato sulle loro preferenze. Inoltre, i sistemi di raccomandazione possono essere, generalmente, basati su tutti i tipi di tecnologie: algoritmi di recupero delle informazioni, statistica, algoritmi di machine learning, etc. Con la nuova era, nuove promettenti tecnologie sono disponibili. Una di queste è la computazione quantistica; particolarmente i computer di ricottura quantistica. Sono macchine che seguono processi naturali fisici dove il sistema evolve verso l’energia più bassa. Questo permette a loro di risolvere specifici problemi di ottimizzazione combinatoria. In generale, molti problemi di ottimizzazione possono essere già risolti con algoritmi esatti o euristici eseguiti su computer classici. Ma nessuno ha provato ad usare i computer di ricottura quantistica per risolverli nei sistemi di raccomandazione. Quindi, l’obiettivo di questa ricerca è di sfruttare la nuova tecnologia quantistica per sviluppare un nuovo modello. Nello specifico, per essere risolto da un computer quantistico, il cuore dell’algoritmo del modello dovrebbe essere composto da specifici problemi di ottimizzazione. Alla fine, i risultati degli esperimenti mostrano che la nuova tecnologia ha prestazioni ben lontani da modelli state-of-the-art. Tuttavia, la nuova tecnologia potrebbe avere un futuro promettente poiché il nuovo modello risolto con un algoritmo euristico ha raggiunto prestazioni simili ai modelli state-of-the-art. Dunque, con computer quantistici migliorati, potrebbe essere possibile ottenere prestazioni migliori.