1.一种基于混合量子经典极深因子分解机的点击率预测方法，其特征在于，包括以下步骤：

（1）获取开源数据集并进行预处理，划分训练集、测试集；具体如下：使用两个开放的基准数据集Criteo和Avazu进行实验，是两个常用的广告点击率预测的数据集；

（2）构建新型混合量子经典极深因子分解机HQCxDeepFM模型，并利用预处理后的数据集进行训练；其中，HQCxDeepFM模型包括：量子压缩交叉网络QCIN、量子深度神经网络QDNN和量子线性模型Qlinear；量子压缩交叉网络用于处理稠密特征向量来学习显式高阶特征交叉关系，采用混合角度编码方案将高维数据映射到较低维的量子态上实现数据降维，同时设计变分量子电路构建量子一维卷积，对三维特征矩阵进行特征压缩；量子深度神经网络由多个隐藏层组成，用于处理稠密特征向量学习隐式高阶特征交叉关系，采用混合角度编码方案使用多层变分层的变分量子电路将传统深度神经网络量子化；量子线性模型采用混合角度编码方案，使用单层变分量子电路重新构建线性模型；用于利用原始特征进行线性组合，处理稀疏特征，学习低阶特征线性交叉关系；

（3）利用sigmoid激活函数得到最终的预估结果。

2.根据权利要求1所述的一种基于混合量子经典极深因子分解机的点击率预测方法，其特征在于，步骤（1）具体如下：使用两个开放的基准数据集Criteo和Avazu；设置数据记录的频率阈值；过滤掉低于阈值的记录；对于分类型特征，采用独热编码将属性转换为数字特征；对于连续型特征，进行归一化处理。

3.根据权利要求1所述的一种基于混合量子经典极深因子分解机的点击率预测方法，其特征在于，HQCxDeepFM模型具体处理过程如下：通过嵌入层的全连接神经网络获取数据集中的低维表示，即将数据集中的稀疏特征映射到连续向量空间中形成固定长度的稠密特征向量；将得到的固定长度的稠密特征向量分别输入到量子压缩交叉网络和量子深度神经网络中进行处理，原始输入特征输入到量子线性模型中进行处理。

4.根据权利要求3所述的一种基于混合量子经典极深因子分解机的点击率预测方法，其特征在于，步骤（3）具体如下：叠加QCIN、QDNN和QLinear三个模块的输出，并通过sigmoid激活函数得到最终的预估结果。

5.一种基于混合量子经典极深因子分解机的点击率预测系统，其特征在于，包括：

数据模块：用于获取开源数据集并进行预处理，划分训练集、测试集；具体如下：使用两个开放的基准数据集Criteo和Avazu进行实验，是两个常用的广告点击率预测的数据集；

HQCxDeepFM模块：用于构建新型混合量子经典极深因子分解机HQCxDeepFM模型，并利用预处理后的数据集进行训练；HQCxDeepFM模型包括：量子压缩交叉网络QCIN、量子深度神经网络QDNN和量子线性模型Qlinear；量子压缩交叉网络用于处理稠密特征向量来学习显式高阶特征交叉关系，采用混合角度编码方案将高维数据映射到较低维的量子态上实现数据降维，同时设计变分量子电路构建量子一维卷积，对三维特征矩阵进行特征压缩；量子深度神经网络由多个隐藏层组成，用于处理稠密特征向量学习隐式高阶特征交叉关系，采用混合角度编码方案使用多层变分层的变分量子电路将传统深度神经网络量子化；量子线性模型采用混合角度编码方案，使用单层变分量子电路重新构建线性模型；用于利用原始特征进行线性组合，处理稀疏特征，学习低阶特征线性交叉关系；

预估模块：用于利用sigmoid激活函数得到最终的预估结果。

6.根据权利要求5所述的一种基于混合量子经典极深因子分解机的点击率预测系统，其特征在于，数据模块中，具体如下：使用两个开放的基准数据集Criteo和Avazu；设置数据记录的频率阈值；过滤掉低于阈值的记录；对于分类型特征，采用独热编码将属性转换为数字特征；对于连续型特征，进行归一化处理。

7.根据权利要求5所述的一种基于混合量子经典极深因子分解机的点击率预测系统，其特征在于，HQCxDeepFM模块中，HQCxDeepFM模型具体处理过程如下：通过嵌入层的全连接神经网络获取数据集中的低维表示，即将数据集中的稀疏特征映射到连续向量空间中形成固定长度的稠密特征向量；将得到的固定长度的稠密特征向量分别输入到量子压缩交叉网络和量子深度神经网络中进行处理，原始输入特征输入到量子线性模型中进行处理。

8.根据权利要求7所述的一种基于混合量子经典极深因子分解机的点击率预测系统，其特征在于，预估模块中，具体如下：叠加QCIN、QDNN和QLinear三个模块的输出，并通过sigmoid激活函数得到最终的预估结果。