量子科技中心_量科网

现代推荐系统采用数百个稀疏语义标签描述每个项目，但多数量子流程仍采用“一个标签对应一个量子位”的映射方式，这需要远超百个量子位，远超当前噪声中尺度量子（NISQ）设备的承载能力，且易产生深度、易放大错误的电路。该研究团队通过三阶段混合机器学习算法填补了这一差距：压缩标签特征、通过量子近似优化算法（QAOA）在固定量子位预算下优化特征选择，并基于仅五个量子位构建的量子半随机森林（QsRF）进行推荐评分，其性能与最先进方法相当。该方案利用奇异值分解草图技术和k均值算法学习包含1000个原子（方差解释率＞97%）的字典，再通过深度为3的QAOA求解2020个变量的二次无约束二值优化问题，最终筛选出5个原子。基于这些编码训练的100棵树规模QsRF，在ICM-150/500数据集上达到了全特征基准模型的匹配效果。