一种基于内容的媒体推荐的量子机器学习方法

arXiv:2610.21562v1 公告类型：新 摘要：我们采用量子机器学习技术，开发了一种基于内容的媒体推荐系统，并使用一周的 BBC iPlayer 数据中的文本描述，对其在电视节目上的性能进行评估。在量子自然语言处理框架（QNLP）的基础上，我们利用节目的语义结构，将节目简介映射为变分量子电路。通过有监督的成对相似度学习任务，对这些电路的参数进行训练。我们将量子推荐器与在相同数据集和目标上训练的经典 BiLSTM 基线模型进行比较。虽然两种模型在相似度学习任务上取得了相当的性能，但量子模型所需的参数显著更少（4.7万对1780万）。当将 BiLSTM 的参数预算限制为相同规模时，其性能大幅下降（平均精度均值（MAP）降低3.63个百分点），这表明在该场景中，结构化的量子表示提供了一种参数效率极高的替代方案。我们采用基于 SWAP-test 的协议，将电路部署到 Quantinuum's System Model H2 及其配套模拟器上，从而展示了在量子硬件上执行训练后模型的可行性。结果证实，在现实的噪声条件下，相似度信号仍得以保留。总体而言，这些发现凸显了变分量子电路在推荐任务中的潜力，并代表了其迈向现实世界部署的实际一步。