CN108401024A - 一种基于用户中心访问行为的上下文缩放缓存方法 - Google Patents

一种基于用户中心访问行为的上下文缩放缓存方法 Download PDF

Info

Publication number
CN108401024A
CN108401024A CN201810153954.4A CN201810153954A CN108401024A CN 108401024 A CN108401024 A CN 108401024A CN 201810153954 A CN201810153954 A CN 201810153954A CN 108401024 A CN108401024 A CN 108401024A
Authority
CN
China
Prior art keywords
context
subspace
user
integer
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810153954.4A
Other languages
English (en)
Other versions
CN108401024B (zh
Inventor
江昊
黄国豪
谢菁
羿舒文
曾园园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810153954.4A priority Critical patent/CN108401024B/zh
Publication of CN108401024A publication Critical patent/CN108401024A/zh
Application granted granted Critical
Publication of CN108401024B publication Critical patent/CN108401024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H04L67/5682—Policies or rules for updating, deleting or replacing the stored data

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于用户中心访问行为的上下文缩放缓存方法，构建维度相同的上下文偏好向量和上下文子空间；通过用户基站按照用户周期采集用户历史访问数据并建立上下文空间维护列表；若新上下文偏好向量到来通过选择规则选择上下文子空间，当选择有效时通过激活规则进行分裂；若新上下文偏好向量到来更新上下文子空间维护列表并计算探索指数，将探索指数按降序排列并制定缓存策略。与现有技术相比，本发明能适用于用户数量大的网络场景，且实施简单并能克服时域局部性的缺点。

Description

一种基于用户中心访问行为的上下文缩放缓存方法
技术领域
本发明涉及移动互联网技术领域，特别涉及一种基于用户中心访问行为的上下文缩放缓存方法。
背景技术
随着移动互联网的迅速发展，移动数据流量需求量增长越来越快，预计在2016年到2021年增长7倍。移动流量需求量的激增加重无线接入网中回程链路带宽的消耗，高额的设备升级费用与高带宽低延迟服务需求之间的矛盾显著，使得将内容投递和计算卸载等服务移动到网络边缘是有必要的。
移动边缘计算主要特点在于将内容投递、网络控制和移动计算移动到网络边缘，做到信息本地产生本地消费，满足低延迟业务需求，其服务器部署在离用户更近的网络边缘。在移动边缘计算上设计高效的内容缓存策略能做到本地请求本地处理，对减轻后传带宽负载，降低业务延迟有着重要意义。
现有的内容缓存策略可大致分为静态缓存策略和动态缓存策略。静态缓存策略基于内容流行度不变的假设前提，采用不同理论或关系设计最优的内容放置策略，这类策略的不足之处在于实际场景下内容具有时域局部性，容易导致缓存算法击中率随着时间推移不断变差。
动态缓存策略大致有两类，一类是利用内容历史访问次数预测内容流行度，但是没有充分考虑到用户时空移动特性对内容访问模式的影响，无法准确预测内容在不同的上下文环境下的流行度。另一类是利用用户的时空移动特性对内容访问偏好进行建模，但均以用户个体的时空移动模式为研究对象，复杂度高，在用户数量大的网络场景下难以拓展应用。
发明内容
为了解决现有技术存在的问题，提出了一种基于用户中心访问行为的上下文缩放缓存方法。
本发明所采用的技术方案是一种基于用户中心访问行为的上下文缩放缓存方法，具体步骤如下：
步骤1：构建维度相同的上下文偏好向量和上下文子空间，上下文子空间由互不相交的上下文实数空间构成，定义上下文子空间被选择次数以及上下文子空间级别，通过上下文子空间级别计算上下文子空间阈值；
步骤2：通过用户基站按照用户周期采集用户历史访问数据，根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好种类，并按照用户周期获得用户访问内容、用户访问内容次数以及用户访问内容平均收益，通过用户访问内容次数对用户访问内容按照用户周期排名得到用户访问内容排名，通过用户访问内容、用户访问内容次数、用户访问内容平均收益以及用户访问内容排名按照用户周期构建上下文空间维护列表，通过用户访问内容排名，用户访问次数，用户访问内容平均收益及上下文子空间被选择次数按照用户周期计算用户探索指数；
步骤3：若新上下文偏好向量到来，通过对比上下文子空间级别得到上下文子空间级别最高的上下文子空间，根据选择规则判断新上下文偏好向量是否属于上下文子空间级别最高的上下文子空间，若属于则通过激活规则判断新上下文偏好向量所属上下文子空间是否分裂，若新上下文偏好向量未到来则上下文子空间保持不变；
步骤4：若新上下文偏好向量到来，更新上下文子空间维护列表并计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数，将探索指数按降序排列并制定缓存策略，若新上下文偏好向量未到来则上下文子空间维护列表保持不变。
作为优选，步骤1所述上下文偏好向量为：
其中，m∈[1,M]为群体序号，每个维度都是上下文有关的，为群体d用户的访问行为对访问内容的偏好d；
步骤1所述上下文空间为：
χ∈[0,1]D
其中，与上下文偏好向量维度相同，且上下文空间χ∈[0,1]D为实数空间；
步骤1中所述上下文子空间为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，且上下文空间χ∈[0,1]D中的任意两个上下文子空间均不相交，2D为上下文子空间分裂i次后生成互不相交的上下文子空间的个数；
步骤1中所述互不相交的上下文子空间构成上下文空间集合Ai；
步骤1中所述上下文子空间被选择次数为：
其中，为上下文子空间被选择次数，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，若上下文偏好向量Zm使则为上下文子空间在维度d上的下界，d∈[1,D]，为上下文子空间在维度轴d上的上界，d∈[1,D]；
步骤1中所述上下文子空间级别为：
其中，为上下文子空间级别，且i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，若子空间分裂子空间级别才会增加，每分裂1次子空间级别若子空间未分裂，则该子空间保持不变；
步骤1所述上下文子空间置信阈值为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D为上下文子空间的维度，为上下文子空间级别，z1和z2分别为置信阈值比例参数以及置信阈值指数参数；
作为优选，步骤2中所述用户周期为T；
步骤2中所述根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好得到的URL数量为h；
步骤2中所述用户访问内容为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容；
步骤2中所述用户访问内容次数为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容次数；
步骤2中所述用户访问内容平均收益为：
且
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容平均收益，用户访问内容平均收益为兴趣偏好b类的用户访问内容得到的历史回报，b∈[1,h]；
步骤2中所述用户访问内容排名为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b的用户访问内容次数统计得到；
步骤2中所述上下文空间维护列表为：
步骤2中所述用户探索指数为：
其中，上下文子空间中兴趣偏好b的用户访问内容的探索指数为i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为需要缓存的内容，b∈[1,h]，为上下文子空间中兴趣偏好b的用户访问内容的用户访问内容平均收益，为带约束项的置信上限项，为步骤1所述上下文子空间被选择次数，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b用户访问内容次数统计得到；
作为优选，步骤3中通过所述上下文子空间级别获得上下文子空间级别最高的上下文子空间为搜索步骤1中所述上下文子空间级别的最大值，其对应上下文子空间为上下文子空间级别最高的上下文子空间；
步骤3中所述选择规则为若新上下文偏好向量新上下文偏好向量ZM+1属于上下文子空间级别最高的上下文子空间若则新上下文偏好向量ZM+1不属于上下文子空间级别最高的上下文子空间为上下文子空间在维度轴d上的下界，d∈[1,D]，为上下文子空间在维度轴d上的上界，d∈[1,D]；
步骤3中所述激活规则为根据步骤1中所述新上下文偏好向量ZM+1所属上下文子空间级别最高的上下文子空间被选择次数超过步骤1中所述置信阈值时，平均分裂成互不相交的2D个新的上下文子空间Bimax+1为第imax+1次分裂后得到的所有新子空间的集合，新子空间均被激活，原子空间失活，mimax为第imax次分裂后总的子空间个数，mimax＝mimax-1+2D-1，新的上下文空间集合Aimax+1为：
新的上下文子空间的计数器
作为优选，步骤4中所述若新上下文偏好向量到来，更新上下文子空间维护列表为根据步骤2获得，更新上下文子空间维护列表为：
根据步骤2计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数按降序排列，其中b∈[1,h]，h为步骤2中所述兴趣偏好种类得到的种类数量，降序排列探索指数后，选择排名前S对应的用户访问内容进行缓存。
与现有技术相比，本发明能适用于用户数量大的网络场景，且实施简单并能克服时域局部性的缺点。
附图说明
图1：为本发明实施例的方法流程图；
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，是本发明实施例的方法流程图。本发明提供了一种基于用户访问行为的群体偏好上下文重构方法，包括以下步骤：
步骤1：构建维度相同的上下文偏好向量和上下文子空间，上下文子空间由互不相交的上下文实数空间构成，定义上下文子空间被选择次数以及上下文子空间级别，通过上下文子空间级别计算上下文子空间阈值；
步骤1所述上下文偏好向量为：
其中，m∈[1,M]为群体序号，D＝4为上下文偏好向量的维度，每个维度都是上下文有关的，为群体d用户的访问行为对访问内容的偏好d；
步骤1所述上下文空间为：
χ∈[0,1]D
其中，D＝4为上下文偏好向量的维度，与上下文偏好向量维度相同，且上下文空间χ∈[0,1]D为实数空间；
步骤1中所述上下文子空间为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，且上下文空间χ∈[0,1]D中的任意两个上下文子空间均不相交，2D为上下文子空间分裂i次后生成互不相交的上下文子空间的个数；
步骤1中所述互不相交的上下文子空间构成上下文空间集合Ai；
步骤1中所述上下文子空间被选择次数为：
其中，为上下文子空间被选择次数，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D＝4为上下文偏好向量的维度，若上下文偏好向量Zm使则为上下文子空间在维度d上的下界，d∈[1,D]，为上下文子空间在维度轴d上的上界，d∈[1,D]；
步骤1中所述上下文子空间级别为：
其中，为上下文子空间级别，且i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D＝4为上下文偏好向量的维度，若子空间分裂子空间级别才会增加，每分裂1次子空间级别若子空间未分裂，则该子空间保持不变；
步骤1所述上下文子空间置信阈值为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D＝4，D为上下文子空间的维度，为上下文子空间级别，z1＝20，z2＝4分别为置信阈值比例参数以及置信阈值指数参数；
步骤2：通过用户基站按照用户周期采集用户历史访问数据，根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好种类，并按照用户周期获得用户访问内容、用户访问内容次数以及用户访问内容平均收益，通过用户访问内容次数对用户访问内容按照用户周期排名得到用户访问内容排名，通过用户访问内容、用户访问内容次数、用户访问内容平均收益以及用户访问内容排名按照用户周期构建上下文空间维护列表，通过用户访问内容排名，用户访问次数，用户访问内容平均收益及上下文子空间被选择次数按照用户周期计算用户探索指数；
步骤2中所述用户周期为T＝1天；
步骤2中所述根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好得到的URL数量为h＝215；
步骤2中所述用户访问内容为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容，D＝4为上下文空间的维度；
步骤2中所述用户访问内容次数为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为兴趣偏好b的用户访问内容次数，D＝4为上下文空间的维度，；
步骤2中所述用户访问内容平均收益为：
且
其中，D＝4为上下文空间的维度，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D＝4为上下文偏好向量的维度，为兴趣偏好b的用户访问内容平均收益，用户访问内容平均收益为兴趣偏好b类的用户访问内容得到的历史回报，b∈[1,h]；
步骤2中所述用户访问内容排名为：
其中，D＝4为上下文空间的维度，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，D＝4为上下文偏好向量的维度，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b的用户访问内容次数统计得到；
步骤2中所述上下文空间维护列表为：
步骤2中所述用户探索指数为：
其中，D＝4为上下文空间的维度，上下文子空间中兴趣偏好b的用户访问内容的探索指数为i为上下文子空间分裂次数，i≥0且i为整数，j∈[1,2D]且j为整数，为需要缓存的内容，b∈[1,h]，为上下文子空间中兴趣偏好b的用户访问内容的用户访问内容平均收益，为带约束项的置信上限项，为步骤1所述上下文子空间被选择次数，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b用户访问内容次数统计得到；
步骤3：若新上下文偏好向量到来，通过对比上下文子空间级别得到上下文子空间级别最高的上下文子空间，根据选择规则判断新上下文偏好向量是否属于上下文子空间级别最高的上下文子空间，若属于则通过激活规则判断新上下文偏好向量所属上下文子空间是否分裂，若新上下文偏好向量未到来则上下文子空间保持不变；
步骤3中通过所述上下文子空间级别获得上下文子空间级别最高的上下文子空间为搜索步骤1中所述上下文子空间级别的最大值，其对应上下文子空间为上下文子空间级别最高的上下文子空间；
步骤3中所述选择规则为若新上下文偏好向量新上下文偏好向量ZM+1属于上下文子空间级别最高的上下文子空间若则新上下文偏好向量ZM+1不属于上下文子空间级别最高的上下文子空间为上下文子空间在维度轴d上的下界，d∈[1,D]，为上下文子空间在维度轴d上的上界，d∈[1,D]，D＝4为上下文偏好向量的维度；
步骤3中所述激活规则为根据步骤1中所述新上下文偏好向量ZM+1所属上下文子空间级别最高的上下文子空间被选择次数超过步骤1中所述置信阈值时，平均分裂成互不相交的2D个新的上下文子空间Bimax+1为第imax+1次分裂后得到的所有新子空间的集合，新子空间均被激活，原子空间失活，mimax为第imax次分裂后总的子空间个数，mimax＝mimax-1+2D-1，新的上下文空间集合Aimax+1为：
新的上下文子空间的计数器
步骤4：若新上下文偏好向量到来，更新上下文子空间维护列表并计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数，将探索指数按降序排列并制定缓存策略，若新上下文偏好向量未到来则上下文子空间维护列表保持不变；
步骤4中所述若新上下文偏好向量到来，更新上下文子空间维护列表为根据步骤2获得，更新上下文子空间维护列表为：
根据步骤2计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数按降序排列，其中b∈[1,h]，h＝215为步骤2中所述兴趣偏好种类得到的种类数量，降序排列探索指数后，选择排名前S＝20对应的用户访问内容进行缓存。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (2)

1.一种基于用户中心访问行为的上下文缩放缓存方法，其特征在于，包括以下步骤：
步骤1：构建维度相同的上下文偏好向量和上下文子空间，上下文子空间由互不相交的上下文实数空间构成，定义上下文子空间被选择次数以及上下文子空间级别，通过上下文子空间级别计算上下文子空间阈值；
步骤2：通过用户基站按照用户周期采集用户历史访问数据，根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好种类，并按照用户周期获得用户访问内容、用户访问内容次数以及用户访问内容平均收益，通过用户访问内容次数对用户访问内容按照用户周期排名得到用户访问内容排名，通过用户访问内容、用户访问内容次数、用户访问内容平均收益以及用户访问内容排名按照用户周期构建上下文空间维护列表，通过用户访问内容排名，用户访问次数，用户访问内容平均收益及上下文子空间被选择次数按照用户周期计算用户探索指数；
步骤3：若新上下文偏好向量到来，通过对比上下文子空间级别得到上下文子空间级别最高的上下文子空间，根据选择规则判断新上下文偏好向量是否属于上下文子空间级别最高的上下文子空间，若属于则通过激活规则判断新上下文偏好向量所属上下文子空间是否分裂，若新上下文偏好向量未到来则上下文子空间保持不变；
步骤4：若新上下文偏好向量到来，更新上下文子空间维护列表并计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数，将探索指数按降序排列并制定缓存策略，若新上下文偏好向量未到来则上下文子空间维护列表保持不变。
2.根据权利要求1所述的基于用户中心访问行为的上下文缩放缓存方法，其特征在于，步骤1所述上下文偏好向量为：
其中，m∈[1，M]为群体序号，每个维度都是上下文有关的，为群体d用户的访问行为对访问内容的偏好d；
步骤1所述上下文空间为：
χ∈[0,1]D
其中，与上下文偏好向量维度相同，且上下文空间χ∈[0,1]D为实数空间；
步骤1中所述上下文子空间为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，且上下文空间χ∈[0,1]D中的任意两个上下文子空间均不相交，2D为上下文子空间分裂i次后生成互不相交的上下文子空间的个数；
步骤1中所述互不相交的上下文子空间构成上下文空间集合Ai；
步骤1中所述上下文子空间被选择次数为：
其中，为上下文子空间被选择次数，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，若上下文偏好向量Zm使则 为上下文子空间在维度d上的下界，d∈[1，D]，为上下文子空间在维度轴d上的上界，d∈[1，D]；
步骤1中所述上下文子空间级别为：
其中，为上下文子空间级别，且i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，若子空间分裂子空间级别才会增加，每分裂1次子空间级别若子空间未分裂，则该子空间保持不变；
步骤1所述上下文子空间置信阈值为：
其中，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，D为上下文子空间的维度，为上下文子空间级别，z1和z2分别为置信阈值比例参数以及置信阈值指数参数；
步骤2中所述用户周期为T；
步骤2中所述根据用户历史访问数据通过URL类型按照用户周期统计兴趣偏好得到的URL数量为h；
步骤2中所述用户访问内容为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，为兴趣偏好b的用户访问内容；
步骤2中所述用户访问内容次数为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，为兴趣偏好b的用户访问内容次数；
步骤2中所述用户访问内容平均收益为：
且
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，为兴趣偏好b的用户访问内容平均收益，用户访问内容平均收益为兴趣偏好b类的用户访问内容得到的历史回报，b∈[1，h]；
步骤2中所述用户访问内容排名为：
其中，为上下文子空间，i为上下文子空间分裂次数，i≥0且i为整数，j∈[1，2D]且j为整数，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b的用户访问内容次数统计得到；
步骤2中所述上下文空间维护列表为：
步骤2中所述用户探索指数为：
其中，上下文子空间中兴趣偏好b的用户访问内容的探索指数为i为上下文子空间分裂次数，i≥0且i为整数，i∈[1，2D]且j为整数，为需要缓存的内容，b∈[1，h]，为上下文子空间中兴趣偏好b的用户访问内容的用户访问内容平均收益，为带约束项的置信上限项，为步骤1所述上下文子空间被选择次数，为兴趣偏好b的用户访问内容在用户访问内容的排名，该排名根据兴趣偏好b用户访问内容次数统计得到；
步骤3中通过所述上下文子空间级别获得上下文子空间级别最高的上下文子空间为搜索步骤1中所述上下文子空间级别的最大值，其对应上下文子空间为上下文子空间级别最高的上下文子空间；
步骤3中所述选择规则为若新上下文偏好向量新上下文偏好向量ZM+1属于上下文子空间级别最高的上下文子空间若则新上下文偏好向量ZM+1不属于上下文子空间级别最高的上下文子空间 为上下文子空间在维度轴d上的下界，b∈[1，D]，为上下文子空间在维度轴d上的上界，d∈[1，D]；
步骤3中所述激活规则为根据步骤1中所述新上下文偏好向量ZM+1所属上下文子空间级别最高的上下文子空间被选择次数超过步骤1中所述置信阈值时，平均分裂成互不相交的2D个新的上下文子空间Bimax+1为第imax+1次分裂后得到的所有新子空间的集合，新子空间均被激活，原子空间失活，mimax为第imax次分裂后总的子空间个数，mimax＝mimax-1+2D-1，新的上下文空间集合Aimax+1为：
新的上下文子空间的计数器 k∈[1，2D]；
步骤4中所述若新上下文偏好向量到来，更新上下文子空间维护列表为根据步骤2获得，更新上下文子空间维护列表为：
根据步骤2计算上下文子空间维护列表中每个兴趣偏好类的用户访问内容的探索指数按降序排列，其中b∈[1，h]，h为步骤2中所述兴趣偏好种类得到的种类数量，降序排列探索指数后，选择排名前S对应的用户访问内容进行缓存。
CN201810153954.4A 2018-02-22 2018-02-22 一种基于用户中心访问行为的上下文缩放缓存方法 Active CN108401024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810153954.4A CN108401024B (zh) 2018-02-22 2018-02-22 一种基于用户中心访问行为的上下文缩放缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810153954.4A CN108401024B (zh) 2018-02-22 2018-02-22 一种基于用户中心访问行为的上下文缩放缓存方法

Publications (2)

Publication Number Publication Date
CN108401024A true CN108401024A (zh) 2018-08-14
CN108401024B CN108401024B (zh) 2020-11-03

Family

ID=63095632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810153954.4A Active CN108401024B (zh) 2018-02-22 2018-02-22 一种基于用户中心访问行为的上下文缩放缓存方法

Country Status (1)

Country Link
CN (1) CN108401024B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130179969A1 (en) * 2000-06-23 2013-07-11 Peder J. Jungck Apparatus and Method for Domain Name Resolution
CN107209762A (zh) * 2014-05-15 2017-09-26 思腾科技（巴巴多斯）有限公司 视觉交互式搜索
CN107483630A (zh) * 2017-09-19 2017-12-15 北京工业大学 一种基于边缘缓存的isp与cp联合内容分发机制的构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130179969A1 (en) * 2000-06-23 2013-07-11 Peder J. Jungck Apparatus and Method for Domain Name Resolution
CN107209762A (zh) * 2014-05-15 2017-09-26 思腾科技（巴巴多斯）有限公司 视觉交互式搜索
CN107483630A (zh) * 2017-09-19 2017-12-15 北京工业大学 一种基于边缘缓存的isp与cp联合内容分发机制的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUYI MAO ET.AL: "A Survey on Mobile Edge Computing: The Communication Perspective", 《IEEE》 *

Also Published As

Publication number Publication date
CN108401024B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Yu et al. Federated learning based proactive content caching in edge computing
Ale et al. Online proactive caching in mobile edge computing using bidirectional deep recurrent neural network
Zeng et al. Smart caching based on user behavior for mobile edge computing
Jiang et al. A novel caching policy with content popularity prediction and user preference learning in fog-RAN
Yan et al. Distributed edge caching with content recommendation in fog-rans via deep reinforcement learning
He et al. Cooperative content caching for mobile edge computing with network coding
CN108833933A (zh) 一种使用支持向量机推荐视频流量的方法及系统
CN111277860A (zh) 移动边缘网络中视频缓存的方法、装置、设备及可读介质
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
Wan et al. Deep Reinforcement Learning‐Based Collaborative Video Caching and Transcoding in Clustered and Intelligent Edge B5G Networks
Tang et al. EICache: A learning-based intelligent caching strategy in mobile edge computing
Shu et al. Group behavior-based collaborative caching for mobile edge computing
Yang et al. Deep learning for latent events forecasting in content caching networks
Kong et al. Network traffic prediction: Apply the transformer to time series forecasting
CN108401024B (zh) 一种基于用户中心访问行为的上下文缩放缓存方法
CN113222647A (zh) 基于点击率预估模型的广告推荐方法、系统及存储介质
Chen et al. Cooperative caching for scalable video coding using value-decomposed dimensional networks
CN116957678A (zh) 一种数据处理方法和相关装置
CN114417166B (zh) 基于行为序列和动态社交影响的连续兴趣点推荐方法
Chen et al. A restaurant recommendation approach with the contextual information
CN111901394B (zh) 一种联合考虑用户偏好及活跃程度的移动边缘缓存的方法及系统
CN109800302A (zh) 基于循环神经网络算法的舆情预警方法、装置、终端及介质
Chen et al. An edge caching strategy based on separated learning of user preference and content popularity
Yu Application of mobile edge computing technology in civil aviation express marketing
Wang et al. Heterogeneous Edge Caching Based on Actor-Critic Learning With Attention Mechanism Aiding

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant