CN110059882B - 一种基于移动社交网络的内容流行度预测方法和装置 - Google Patents

一种基于移动社交网络的内容流行度预测方法和装置 Download PDF

Info

Publication number
CN110059882B
CN110059882B CN201910319871.2A CN201910319871A CN110059882B CN 110059882 B CN110059882 B CN 110059882B CN 201910319871 A CN201910319871 A CN 201910319871A CN 110059882 B CN110059882 B CN 110059882B
Authority
CN
China
Prior art keywords
node
user
content information
state
determining
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.)
Active
Application number
CN201910319871.2A
Other languages
English (en)
Other versions
CN110059882A (zh
Inventor
田锦
林尚静
马冀
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.)
Beijing University of Posts and Telecommunications
Jinling Institute of Technology
Original Assignee
Beijing University of Posts and Telecommunications
Jinling Institute of Technology
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 Beijing University of Posts and Telecommunications, Jinling Institute of Technology filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910319871.2A priority Critical patent/CN110059882B/zh
Publication of CN110059882A publication Critical patent/CN110059882A/zh
Application granted granted Critical
Publication of CN110059882B publication Critical patent/CN110059882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明实施例提供了一种基于移动社交网络的内容流行度预测方法和装置，该方法包括；获取移动社交网络信息；基于移动社交网络信息，构建移动社交网络拓扑图；针对各个内容信息，确定移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态；根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的第一转移概率；根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由易感染状态转变为感染状态的第二转移概率；根据第一转移概率和第二转移概率，确定内容信息的内容流行度。能够提高内容流行度预测的准确性，进一步提高缓存的命中率。

Description

一种基于移动社交网络的内容流行度预测方法和装置
技术领域
本发明涉及通信技术领域，特别是涉及一种基于移动社交网络的内容流行度预测方法和装置。
背景技术
伴随着移动互联网的迅猛发展，移动终端数量的持续增长，以及高清视频、文件下载等数字多媒体业务的飞速普及，移动数据业务呈现爆发式增长。大量用户通过核心网对相同热门内容的冗余性下载行为，将耗费大量宝贵的回程链路资源，并相应增加网络的拥塞概率，进而会对业务时延性能造成显著影响。
边缘缓存技术秉承以“存储换带宽”的思路，通过将内容信息预先由核心网向边缘网络进行“下沉”，如预先从核心网将内容信息下载至由蜂窝基站或者小蜂窝基站组成的边缘网络，以便用户实际发起内容请求时能够直接从蜂窝基站或者小蜂窝基站获取内容信息。边缘缓存技术一方面可以有效缓解业务忙时并发内容请求造成的网络拥塞，缩短用户获取内容信息的时延，另一方面，可以减少网络中冗余数据的重复传输，减轻骨干网的传输压力。
在具体实施边缘缓存的过程中包含两个阶段：在实际内容请求到达前，基于所采用的缓存策略对内容信息进行缓存的阶段，以及在用户发出内容请求后对缓存的内容信息进行传输的阶段。按照缓存策略的异同，采用边缘缓存技术的蜂窝基站又进一步分为，主动缓存基站和被动缓存基站。缓存策略可以包括主动式缓存和被动式缓存。其中，被动式缓存指在用户发出内容请求后才进行有条件的内容缓存。典型的被动缓存策略有最近最少使用(Least Recently Used，LRU)策略。采用LRU策略的蜂窝基站，将缓存所有用户请求过的内容信息。对于每一个新到达的内容请求，如果自身没有缓存该内容信息，则通过回传链路把该内容信息下载到本地缓存空间中；如果蜂窝基站的本地缓存空间已满，则先删除最不常用(在最长的时间内未被请求)的内容信息，再缓存所服务用户最新请求的内容信息。主动式缓存指，根据预测的用户可能喜好的内容信息，并预先将该内容信息推送到用户端。其中，预测用户喜好内容是主动式缓存过程中的重要方面，而用户喜好内容是基于内容信息的流行度确定的。因此，内容流行度的预测是主动式缓存过程中的重要过程。
发明内容
本发明实施例的目的在于提供一种基于移动社交网络的内容流行度预测方法和装置，以提高内容流行度预测的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种基于移动社交网络的内容流行度预测方法，包括：
获取移动社交网络信息；
基于所述移动社交网络信息，构建移动社交网络拓扑图，其中，所述移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，所述连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，所述节点度表示该用户节点的邻居节点的数目；
针对各个内容信息，确定所述移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，所述初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；
根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率；
根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率；
根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度。
可选的，所述获取移动社交网络信息，包括：
通过网络爬虫技术获取所述移动社交网络信息。
可选的，所述根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率，包括：
针对各个用户节点，确定该用户节点对该内容信息感兴趣的持续时间；
根据所述持续时间，确定该用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率。
可选的，所述根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率，包括：
针对各个用户节点，确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率；
根据所述第一概率，通过第一预设公式：
Figure BDA0002034298430000031
确定该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率；其中，Θk,s(t)为所述第二概率，Θ(t)为所述第一概率，k为该用户节点的节点度，该用户节点与一个邻居节点相连形成一条边，节点度为k则形成k条边，
Figure BDA0002034298430000032
为组合公式，表示从k条边中取出s条边的组合数；
确定该用户节点与对该内容信息感兴趣的感兴趣邻居节点接触后，该用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的感染概率λ；
根据所述第二概率和所述感染概率，通过第二预设公式：
Figure BDA0002034298430000033
Figure BDA0002034298430000034
确定所述第二转移概率εk(t)。
可选的，所述根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度，包括：
根据所述第一转移概率和所述第二转移概率，通过第三预设公式：
Figure BDA0002034298430000035
确定稳定感染用户密度ρk，其中，μ为所述第一转移概率；
根据所述稳定感染用户密度，通过第四预设公式：
Figure BDA0002034298430000036
确定稳定感染节点密度ρ，并将所述稳定感染节点密度作为该内容信息对应的内容流行度，其中，所述P(k)为节点度k的概率分布函数。
可选的，在所述确定该内容信息对应的内容流行度之后，所述方法还包括：
对各个内容信息分别对应的所述内容流行度进行排序；
选取排序满足预设规则的内容流行度对应的内容信息，作为热门内容信息；
确定热门内容推送策略，所述热门内容推送策略包括向用户推送所述热门内容信息的时间、资源和方式；
将所述热门内容推送策略发送给所述用户移动过程中位于的基站，以使所述基站根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
可选的，所述确定热门内容推送策略，包括：
确定所述用户的用户移动轨迹，其中，所述用户移动轨迹是通过所述用户对应的用户终端定位得到的；
根据基站统计到的预设时间范围内的信道资源使用率，确定网络资源的平均使用情况；
基于所述用户移动轨迹和所述网络资源的平均使用情况，确定所述热门内容推送策略。
第二方面，本发明实施例提供了一种基于移动社交网络的内容流行度预测方法，应用于基站，包括：
接收热门内容推送策略，所述热门内容推送策略包括向用户推送热门内容信息的时间、资源和方式；
根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
第三方面，本发明实施例提供了一种基于移动社交网络的内容流行度预测装置，包括：
获取模块，用于获取移动社交网络信息；
构建模块，用于基于所述移动社交网络信息，构建移动社交网络拓扑图，其中，所述移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，所述连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，所述节点度表示该用户节点的邻居节点的数目；
确定模块，用于针对各个内容信息，确定所述移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，所述初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率；根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率；根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度。
第四方面，本发明实施例提供了一种基于移动社交网络的内容流行度预测装置，应用于基站，包括：
接收模块，用于接收热门内容推送策略，所述热门内容推送策略包括向用户推送热门内容信息的时间、资源和方式；
推送模块，用于根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
本发明实施例提供的基于移动社交网络的内容流行度预测方法和装置，可以获取移动社交网络信息；基于移动社交网络信息，构建移动社交网络拓扑图，其中，移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，节点度表示该用户节点的邻居节点的数目；针对各个内容信息，确定移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的第一转移概率；根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由易感染状态转变为感染状态的第二转移概率；根据第一转移概率和第二转移概率，确定该内容信息对应的内容流行度。本发明实施例中，根据多个用户节点对内容信息的感兴趣状态，以及用户节点的邻居节点对内容信息的感兴趣状态、对用户节点对内容信息感兴趣状态的影响，确定内容信息对应的内容流行度。如此，能够提高内容流行度预测的准确性，进一步提高缓存的命中率。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于移动社交网络的内容流行度预测方法的一种流程图；
图2为本发明实施例提供的基于移动社交网络的内容流行度预测方法的另一种流程图；
图3为本发明实施例提供的基于移动社交网络的内容流行度预测方法的另一种流程图；
图4为本发明实施例提供的基于移动社交网络的内容流行度预测装置的一种结构示意图；
图5为本发明实施例提供的基于移动社交网络的内容流行度预测装置的另一种结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图；
图7为本发明实施例提供的另一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有方法中，假设用户对内容信息的访问符合Zipf分布模型，用于从搜索引擎和门户网站获取内容信息的过程中，对于内容信息的访问遵循80/20原则，也就是20％的内容信息，会占有80％的访问量。如此，可以将占有80％的访问量的内容信息预测为用户喜好的内容。
但是，随着移动终端的崛起以及移动数据业务的快速发展，用户获取内容信息的方式已经从搜索引擎和门户网站获取转向从移动社交网络获取，如微博、朋友圈等社交网站中，因此，Zipf分布模型不再适用用户对内容信息的访问规律。故，本发明实施例针对用户获取内容信息的多元化，提供了一种内容流行度预测方法。下面对本发明实施例提供的内容流行度预测方法进行详细说明。
本发明实施例提供了一种基于移动社交网络的内容流行度预测方法，该方法可以应用于核心网服务器。如图1所示，可以包括：
S101，获取移动社交网络信息。
移动社交网络可以包括：熟人移动社交网络，如微信，QQ，领英。其中，移动社交网络均呈现出无标度特性。无标度特性指用户之间的连接状况，也可以称之为度数具有严重的非均匀特性，即少数用户具有极多的连接，而大多数用户只有很少量的连接。
移动社交网络不仅描述了用户之间的关系结构，同时也反映了用户共享兴趣内容的意愿和发生相似行为的同质性。用户对一项内容信息的偏好，极大程度上取决于与其具有社交关联用户对此项内容信息的兴趣和推荐程度。
移动社交网络信息可以包括多个用户在移动社交网络中的信息。如朋友圈、微博、视频网站等中用户交互的信息等。
本发明实施例中，可以通过网络爬虫技术获取移动社交网络信息。
S102，基于移动社交网络信息，构建移动社交网络拓扑图。
其中，移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，节点度表示该用户节点的邻居节点的数目。
将用户视作移动社交网络拓扑图中的用户节点，即移动社交网络中的一个用户，对应移动社交网络拓扑图中的一个用户节点。将用户之间的好友关系视作用户节点之间的连边。在熟人移动社交网络拓扑图中，边是无向的，表示用户的好友关系是双向的，他们会互相影响。将用户的好友数目视作用户节点的节点度。
S103，针对各个内容信息，确定移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态。
初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态。
针对上述构建的移动社交网络拓扑图，对该移动社交网络拓扑图中用户节点状态定义。
具体地，用户节点对内容信息的状态可以包括感染状态I和易感染状态S。
S104，根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的第一转移概率。
针对各个用户节点，确定该用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的转移概率P(I→S)。当用户节点对内容信息的感兴趣状态为感染状态，则可以将该用户节点称之为感染节点；当用户节点对内容信息的感兴趣状态为易感染状态，则可以将该用户节点称之为易感染节点。
一个感染节点依据一个事先被设定的概率μ恢复为易感染节点，该μ即用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的转移概率P(I→S)。其值由该内容信息的实际传播场景反馈估计决定。具体地，可以：针对各个用户节点，确定该用户节点对该内容信息感兴趣的持续时间；根据持续时间，确定该用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的第一转移概率。如可以通过统计用户节点对应的用户对内容信息感兴趣的持续时间，也可以理解为统计用户多长时间后对该内容信息丧失兴趣。例如用户2天后对内容信息丧失兴趣，那么，单位时间内，用户节点以0.5的概率恢复成易感染节点。
S105，根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由易感染状态转变为感染状态的第二转移概率。
计算用户节点从易感染状态向感染状态的转移概率为P(S→I)。P(S→I)由两方面因素决定，一方面，节点的节点度。由于所构建的移动社交网络拓扑图是一个无标度网络，个体节点的感染概率与该节点的节点度具有密切关系。另一方面，时间。内容信息在传播需要一定的时间，其对用户需求的影响力是逐步形成的，个体节点被感染的过程需要一定的时间积累。因此，计算P(S→I)实际上是计算在时刻t节点度为k的易感染节点vi被感染的概率εk(t)。P(S→I)即εk(t)，确定P(S→I)，即确定εk(t)。
一种可选的实施例中，步骤S105可以包括：
A1，针对各个用户节点，确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率。
确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率，即计算在时刻t，一个节点度为k的易感染节点vi的任意一条边，这条边指向的邻居节点vj是一个感染节点的概率Θ(t)。
Θ(t)不依赖于边的起始点(也就是易感染节点vi)的节点度，但是却与边的终止点(也就是邻居节点vj)的节点度有关。这是因为，邻居节点vj是一个感染节点的概率，与时刻t该邻居节点vj的节点度k/相关。因此，Θ(t)可以由给定节点度为k的易感染节点的一条边，这条边所指向的邻居节点vi的节点度为k/的概率P(k/|k)以及在时刻t节点度为k/的邻居节点vj是一个感染节点的概率εk/(t)联合计算而得，即是
Figure BDA0002034298430000091
其中，
Figure BDA0002034298430000101
n为该移动社交网络拓扑图的最大节点度，P(k)为节点度k的概率分布函数，k∈(0，n)，由于k是离散变量，因此，P(k)是离散型概率分布函数。<k>为移动社交网络拓扑图的平均节点度。忽略移动社交网络的节点度的关联性，即P(k/，k)＝P(k)P(k/)，P(k/|k)进一步可以解释为
Figure BDA0002034298430000102
更进一步，依据平均场理论，邻居节点的感染概率可以由与邻居节点具有相同节点度的所有节点的平均情况代替，因此，εk/(t)＝ρk/(t)。因此，
Figure BDA0002034298430000103
A2，根据第一概率，通过第一预设公式：
Figure BDA0002034298430000104
确定该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率。
其中，Θk，s(t)为第二概率，Θ(t)为第一概率，k为该用户节点的节点度，该用户节点与一个邻居节点相连形成一条边，节点度为k则形成k条边，
Figure BDA0002034298430000107
为组合公式，表示从k条边中取出s条边的组合数。
该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率，即计算在时刻t，一个节点度为k的易感染节点vi有s(s≤k)条边，这s条边指向的邻居节点都是一个感染节点的概率Θk，s(t)。
A3，确定该用户节点与对该内容信息感兴趣的感兴趣邻居节点接触后，该用户节点对该内容信息的感兴趣状态由易感染状态转变为感染状态的感染概率λ。
A4，根据第二概率和感染概率，通过第二预设公式：
Figure BDA0002034298430000105
Figure BDA0002034298430000106
确定第二转移概率εk(t)。
一个易感染节点和一个感染节点接触，以概率λ被感染成为感染节点。λ被称之为感染概率，其大小由该业务内容实际传播场景反馈估计决定，例如，对于某个内容信息而言，可以通过统计内容信息的单位时间内的转发概率得到.用户节点从易感染状态向感染状态的转移概率可以为：
Figure BDA0002034298430000111
S106，根据第一转移概率和第二转移概率，确定该内容信息对应的内容流行度。
根据第一转移概率和第二转移概率，通过第三预设公式：
Figure BDA0002034298430000112
确定稳定感染用户密度ρk，其中，μ为第一转移概率。
定义在时刻t，节点度为k的感染节点占据所有节点数目的比例为相对感染节点密度ρk(t)。
依据点平均场理论(具有相同度相同状态的节点在网络中的分布是均匀的)，构建节点度为k的感染节点群体的演化方程。节点度为k的感染节点群体的演化方程，也即是相对感染节点密度的演化方程为：
Figure BDA0002034298430000113
其中，等式右边第一项表示湮灭项，由节点从感染状态向易感染状态的转移概率μ以及整个感染用户的密度ρk(t)的乘积组成，等式右边第二项表示产生项，由节点从易感染状态向感染状态的转移概率εk(t)以及整体易感染用户的密度[1-ρk(t)]的乘积组成。
求解演化方程的稳定解，即为ρk。具体地，令：
Figure BDA0002034298430000114
其中，
Figure BDA0002034298430000115
根据稳定感染用户密度，通过第四预设公式：
Figure BDA0002034298430000116
确定稳定感染节点密度ρ，并将稳定感染节点密度作为该内容信息对应的内容流行度，其中，P(k)为节点度k的概率分布函数。
本发明实施例中，根据多个用户节点对内容信息的感兴趣状态，以及用户节点的邻居节点对内容信息的感兴趣状态、对用户节点对内容信息感兴趣状态的影响，确定内容信息对应的内容流行度。如此，能够提高内容流行度预测的准确性，进一步提高缓存的命中率。
在上述实施例的基础上，本发明实施例一种可选的实施例中，在步骤S106：确定该内容信息对应的内容流行度之后，如图2所示，还可以包括：
S107，对各个内容信息分别对应的内容流行度进行排序。
S108，选取排序满足预设规则的内容流行度对应的内容信息，作为热门内容信息。
可以按照内容流行度从高到低或者从低到高的顺序进行排序。排序的结果可以形成热门内容信息列表。
若内容流行度是按照从高到低的顺序进行排列，预设规则可以是选取排列在前的预设个内容信息作为热门内容信息。若内容流行度是按照从低到高的顺序进行排列，预设规则可以是选取排列在后的预设个内容信息作为热门内容信息。
S109，确定热门内容推送策略。
热门内容推送策略可以包括向用户推送热门内容信息的时间、资源和方式等。如何时何地以及用多少资源向用户推送热门内容信息。
一种可选的实施例中，可以包括：
B1，确定用户的用户移动轨迹。
其中，用户移动轨迹是通过用户对应的用户终端定位得到的。
如通过手机GPS(Global Positioning System，全球定位系统)方式，确定用户移动轨迹。
B2，根据基站统计到的预设时间范围内的信道资源使用率，确定网络资源的平均使用情况。
B3，基于用户移动轨迹和网络资源的平均使用情况，确定热门内容推送策略。
可以根据不同用户的不同用户移动轨迹等为不同用户确定不同的推送计划，即热门内容推送策略。
S110，将热门内容推送策略发送给用户移动过程中位于的基站，以使基站根据热门内容推送策略将热门内容信息推送给用户。
核心网服务器将该热门内容推送策略发送给用户移动过程中位于的基站，也即用户移动轨迹过程中经过的基站，如蜂窝基站，基站根据该热门内容推送策略向用户推送热门内容信息。具体地，一种可选的实施例中，可以应用于基站，如图3所示，可以包括：
S301，接收热门内容推送策略。
S302，根据热门内容推送策略将热门内容信息推送给用户。
具体地，可以向用户对应的用户终端推热门内容信息，以实现将热门内容信息推送给用户。
用户终端接收内容信息获取请求；从用户终端本地搜索是否存在内容信息获取请求对应的内容信息，其中，用户终端本地包括基站预先推送的热门内容信息；若存在，则调用用户终端本地搜索中存在的内容信息获取请求对应的内容信息，若不存在，则通过基站获取内容信息获取请求对应的内容信息。具体地，可以通过蜂窝网络的单播数据传输通道完成数据传输，以实现获取内容信息。
另外，用户终端对用户终端本地，如移动设备存储器内的预先推送的数据，即内容信息进行智能管理，如定期删除用户在预设时间范围内未使用的过期数据，更新接收新的推送数据。同时，还可以更新用户的信息定制需求等。
如此，根据内容信息的流行度预先缓存热门内容信息，可以降低用户通过核心网对相同热门内容的冗余性下载行为，将耗费大量宝贵的回程链路资源，且能够网络的拥塞概率，提高用户获取内容信息的速度，降低业务时延。
本发明实施例中某一项内容信息的流行度由该内容信息的传播载体-移动社交网络的网络结构度分布，如节点度k的概率分布函数P(k)，内容信息对用户的吸引程度-感染概率λ，以及用户的业务习惯-痊愈概率μ，也即用户节点对该内容信息的感兴趣状态由感染状态转变为易感染状态的转移概率P(I→S)共同决定。其中，P(k)可以通过网络爬虫技术获取，感染概率λ可以通过监测该内容兴趣在传播过程中的转发率或者点击率获取，痊愈概率μ可以通过监测用户的业务习惯获取。如此，通过网络爬虫方式获取大数据，挖掘用户的社交关系，通过预测依托移动社交网络进行传播的内容信息的流行度，能够提高预测的准确性，进而能够提高移动边缘缓存的命中率。本发明实施例中通过主动式缓存并提前推送方式可以降低用户的平均时延,还可以提高无线网络的吞吐量。
对应于上述实施例提供的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种基于移动社交网络的内容流行度预测装置，如图4所示，可以包括：
获取模块401，用于获取移动社交网络信息；
构建模块402，用于基于移动社交网络信息，构建移动社交网络拓扑图，其中，移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，所述连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，所述节点度表示该用户节点的邻居节点的数目；
确定模块403，用于针对各个内容信息，确定所述移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，所述初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率；根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率；根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度。
本发明实施例中，根据多个用户节点对内容信息的感兴趣状态，以及用户节点的邻居节点对内容信息的感兴趣状态、对用户节点对内容信息感兴趣状态的影响，确定内容信息对应的内容流行度。如此，能够提高内容流行度预测的准确性，进一步提高缓存的命中率。
可选的，所述获取模块401，具体用于通过网络爬虫技术获取所述移动社交网络信息。
可选的，所述确定模块403，具体用于针对各个用户节点，确定该用户节点对该内容信息感兴趣的持续时间；根据所述持续时间，确定该用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率。
可选的，所述确定模块403，具体用于针对各个用户节点，确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率；根据所述第一概率，通过第一预设公式：
Figure BDA0002034298430000151
确定该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率；其中，Θk，s(t)为所述第二概率，Θ(t)为所述第一概率，k为该用户节点的节点度，该用户节点与一个邻居节点相连形成一条边，节点度为k则形成k条边，
Figure BDA0002034298430000152
为组合公式，表示从k条边中取出s条边的组合数；确定该用户节点与对该内容信息感兴趣的感兴趣邻居节点接触后，该用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的感染概率λ；根据所述第二概率和所述感染概率，通过第二预设公式：
Figure BDA0002034298430000153
确定所述第二转移概率εk(t)。
可选的，所述确定模块403，具体用于根据所述第一转移概率和所述第二转移概率，通过第三预设公式：
Figure BDA0002034298430000154
确定稳定感染用户密度ρk，其中，μ为所述第一转移概率；根据所述稳定感染用户密度，通过第四预设公式：
Figure BDA0002034298430000155
确定稳定感染节点密度ρ，并将所述稳定感染节点密度作为该内容信息对应的内容流行度，其中，所述P(k)为节点度k的概率分布函数。
可选的，该装置还包括：
排序模块，用于对各个内容信息分别对应的所述内容流行度进行排序；
选取模块，用于选取排序满足预设规则的内容流行度对应的内容信息，作为热门内容信息；
所述确定模块403，还用于确定热门内容推送策略，所述热门内容推送策略包括向用户推送所述热门内容信息的时间、资源和方式；
发送模块，用于将所述热门内容推送策略发送给所述用户移动过程中位于的基站，以使所述基站根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
可选的，所述确定模块403，具体用于确定所述用户的用户移动轨迹，其中，所述用户移动轨迹是通过所述用户对应的用户终端定位得到的；根据基站统计到的预设时间范围内的信道资源使用率，确定网络资源的平均使用情况；基于所述用户移动轨迹和所述网络资源的平均使用情况，确定所述热门内容推送策略。
对应于上述实施例提供的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种基于移动社交网络的内容流行度预测装置，如图5所示，
接收模块501，用于接收热门内容推送策略，所述热门内容推送策略包括向用户推送热门内容信息的时间、资源和方式；
推送模块502，用于根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
本发明实施例中，根据内容信息的流行度预先缓存热门内容信息，可以降低用户通过核心网对相同热门内容的冗余性下载行为，将耗费大量宝贵的回程链路资源，且能够网络的拥塞概率，提高用户获取内容信息的速度，降低业务时延。
需要说明的是，本发明实施例提供的基于移动社交网络的内容流行度预测装置是应用上述基于移动社交网络的内容流行度预测方法的装置，则上述基于移动社交网络的内容流行度预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
对应于上述实施例提供的应用于核心网服务器的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述实施例提供的应用于核心网服务器的基于移动社交网络的内容流行度预测方法的方法步骤。
本发明实施例中，根据多个用户节点对内容信息的感兴趣状态，以及用户节点的邻居节点对内容信息的感兴趣状态、对用户节点对内容信息感兴趣状态的影响，确定内容信息对应的内容流行度。如此，能够提高内容流行度预测的准确性，进一步提高缓存的命中率。
对应于上述实施例提供的应用于基站的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现上述实施例提供的应用于基站的基于移动社交网络的内容流行度预测方法的方法步骤。
本发明实施例中，根据内容信息的流行度预先缓存热门内容信息，可以降低用户通过核心网对相同热门内容的冗余性下载行为，将耗费大量宝贵的回程链路资源，且能够网络的拥塞概率，提高用户获取内容信息的速度，降低业务时延。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
对应于上述实施例提供的应用于核心网服务器的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现应用于核心网服务器的基于移动社交网络的内容流行度预测方法的方法步骤。
本发明实施例中，根据多个用户节点对内容信息的感兴趣状态，以及用户节点的邻居节点对内容信息的感兴趣状态、对用户节点对内容信息感兴趣状态的影响，确定内容信息对应的内容流行度。如此，能够提高内容流行度预测的准确性，进一步提高缓存的命中率。
对应于上述实施例提供的应用于基站的基于移动社交网络的内容流行度预测方法，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现应用于基站的基于移动社交网络的内容流行度预测方法的方法步骤。
本发明实施例中，根据内容信息的流行度预先缓存热门内容信息，可以降低用户通过核心网对相同热门内容的冗余性下载行为，将耗费大量宝贵的回程链路资源，且能够网络的拥塞概率，提高用户获取内容信息的速度，降低业务时延。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种基于移动社交网络的内容流行度预测方法，其特征在于，包括：
获取移动社交网络信息；
基于所述移动社交网络信息，构建移动社交网络拓扑图，其中，所述移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，所述连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，所述节点度表示该用户节点的邻居节点的数目；
针对各个内容信息，确定所述移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，所述初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；
根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率；
根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率；
根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度；
所述根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率，包括：
针对各个用户节点，确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率；
根据所述第一概率，通过第一预设公式：
Figure FDA0002920309890000011
确定该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率；其中，Θk，s(t)为所述第二概率，Θ(t)为所述第一概率，k为该用户节点的节点度，该用户节点与一个邻居节点相连形成一条边，节点度为k则形成k条边，
Figure FDA0002920309890000012
为组合公式，表示从k条边中取出s条边的组合数；
确定该用户节点与对该内容信息感兴趣的感兴趣邻居节点接触后，该用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的感染概率λ；
根据所述第二概率和所述感染概率，通过第二预设公式：
Figure FDA0002920309890000021
Figure FDA0002920309890000022
确定所述第二转移概率εk(t)；
所述根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度，包括：
根据所述第一转移概率和所述第二转移概率，通过第三预设公式：
Figure FDA0002920309890000023
确定稳定感染用户密度ρk，其中，μ为所述第一转移概率；
根据所述稳定感染用户密度，通过第四预设公式：
Figure FDA0002920309890000024
确定稳定感染节点密度ρ，并将所述稳定感染节点密度作为该内容信息对应的内容流行度，其中，所述P(k)为节点度k的概率分布函数。
2.根据权利要求1所述的方法，其特征在于，所述获取移动社交网络信息，包括：
通过网络爬虫技术获取所述移动社交网络信息。
3.根据权利要求1所述的方法，其特征在于，所述根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率，包括：
针对各个用户节点，确定该用户节点对该内容信息感兴趣的持续时间；
根据所述持续时间，确定该用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率。
4.根据权利要求1所述的方法，其特征在于，在所述确定该内容信息对应的内容流行度之后，所述方法还包括：
对各个内容信息分别对应的所述内容流行度进行排序；
选取排序满足预设规则的内容流行度对应的内容信息，作为热门内容信息；
确定热门内容推送策略，所述热门内容推送策略包括向用户推送所述热门内容信息的时间、资源和方式；
将所述热门内容推送策略发送给所述用户移动过程中位于的基站，以使所述基站根据所述热门内容推送策略将所述热门内容信息推送给所述用户。
5.根据权利要求4所述的方法，其特征在于，所述确定热门内容推送策略，包括：
确定所述用户的用户移动轨迹，其中，所述用户移动轨迹是通过所述用户对应的用户终端定位得到的；
根据基站统计到的预设时间范围内的信道资源使用率，确定网络资源的平均使用情况；
基于所述用户移动轨迹和所述网络资源的平均使用情况，确定所述热门内容推送策略。
6.一种基于移动社交网络的内容流行度预测装置，其特征在于，包括：
获取模块，用于获取移动社交网络信息；
构建模块，用于基于所述移动社交网络信息，构建移动社交网络拓扑图，其中，所述移动社交网络拓扑图包括多个用户节点的连接关系；针对各个用户节点，所述连接关系包括与该用户节点相连的邻居节点以及该用户节点的节点度，所述节点度表示该用户节点的邻居节点的数目；
确定模块，用于针对各个内容信息，确定所述移动社交网络拓扑图中各个用户节点对该内容信息的初始感兴趣状态，所述初始感兴趣状态包括表示对该内容信息感兴趣的感染状态和对该内容信息不感兴趣的易感染状态；根据该内容信息的传播场景，确定各个用户节点对该内容信息的感兴趣状态由所述感染状态转变为所述易感染状态的第一转移概率；根据各个用户节点的节点度以及各个用户节点的邻居节点的感兴趣状态，确定各个用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的第二转移概率；根据所述第一转移概率和所述第二转移概率，确定该内容信息对应的内容流行度；
所述确定模块，具体用于，
针对各个用户节点，确定该用户节点的各个邻居节点对该内容信息感兴趣的第一概率；
根据所述第一概率，通过第一预设公式：
Figure FDA0002920309890000041
确定该用户节点的所有邻居节点均对该内容信息感兴趣的第二概率；其中，Θk，s(t)为所述第二概率，Θ(t)为所述第一概率，k为该用户节点的节点度，该用户节点与一个邻居节点相连形成一条边，节点度为k则形成k条边，
Figure FDA0002920309890000042
为组合公式，表示从k条边中取出s条边的组合数；
确定该用户节点与对该内容信息感兴趣的感兴趣邻居节点接触后，该用户节点对该内容信息的感兴趣状态由所述易感染状态转变为所述感染状态的感染概率λ；
根据所述第二概率和所述感染概率，通过第二预设公式：
Figure FDA0002920309890000043
Figure FDA0002920309890000044
确定所述第二转移概率εk(t)；
所述确定模块，具体用于，
根据所述第一转移概率和所述第二转移概率，通过第三预设公式：
Figure FDA0002920309890000045
确定稳定感染用户密度ρk，其中，μ为所述第一转移概率；
根据所述稳定感染用户密度，通过第四预设公式：
Figure FDA0002920309890000046
确定稳定感染节点密度ρ，并将所述稳定感染节点密度作为该内容信息对应的内容流行度，其中，所述P(k)为节点度k的概率分布函数。
CN201910319871.2A 2019-04-19 2019-04-19 一种基于移动社交网络的内容流行度预测方法和装置 Active CN110059882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910319871.2A CN110059882B (zh) 2019-04-19 2019-04-19 一种基于移动社交网络的内容流行度预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319871.2A CN110059882B (zh) 2019-04-19 2019-04-19 一种基于移动社交网络的内容流行度预测方法和装置

Publications (2)

Publication Number Publication Date
CN110059882A CN110059882A (zh) 2019-07-26
CN110059882B true CN110059882B (zh) 2021-06-29

Family

ID=67319747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319871.2A Active CN110059882B (zh) 2019-04-19 2019-04-19 一种基于移动社交网络的内容流行度预测方法和装置

Country Status (1)

Country Link
CN (1) CN110059882B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990720A (zh) * 2019-12-13 2020-04-10 中国传媒大学 作品传播预测方法、装置及存储介质
CN113139134B (zh) * 2021-04-26 2022-04-19 中国人民解放军国防科技大学 一种社交网络中用户生成内容的流行度预测方法、装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105872054A (zh) * 2016-03-30 2016-08-17 江苏大学 一种基于兴趣热点的移动社交网络资源发现方法
CN108230170A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 面向社交网络的多信息和多维网络信息传播模型及方法
CN108304867A (zh) * 2018-01-24 2018-07-20 重庆邮电大学 面向社交网络的信息流行度预测方法及系统
CN108876646A (zh) * 2018-06-21 2018-11-23 广东技术师范学院 一种基于节点社交特性的d2d缓存方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140067542A1 (en) * 2012-08-30 2014-03-06 Luminate, Inc. Image-Based Advertisement and Content Analysis and Display Systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105872054A (zh) * 2016-03-30 2016-08-17 江苏大学 一种基于兴趣热点的移动社交网络资源发现方法
CN108230170A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 面向社交网络的多信息和多维网络信息传播模型及方法
CN108304867A (zh) * 2018-01-24 2018-07-20 重庆邮电大学 面向社交网络的信息流行度预测方法及系统
CN108876646A (zh) * 2018-06-21 2018-11-23 广东技术师范学院 一种基于节点社交特性的d2d缓存方法

Also Published As

Publication number Publication date
CN110059882A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
Goian et al. Popularity-based video caching techniques for cache-enabled networks: A survey
Li et al. Analysis of a location-based social network
KR100791628B1 (ko) 이동망 시스템의 능동적 캐쉬 제어 방법, 그 기록 매체 및그 시스템
EP2513799B1 (en) A method, server and computer program for caching
Guan et al. Effective data communication based on social community in social opportunistic networks
US10979307B2 (en) Synchronized distributed processing in a communications network
US10120872B2 (en) Data caching based on requestor identity
Zong et al. Cocktail edge caching: Ride dynamic trends of content popularity with ensemble learning
CN110059882B (zh) 一种基于移动社交网络的内容流行度预测方法和装置
Yan et al. Big data driven wireless communications: A human-in-the-loop pushing technique for 5G systems
Tulu et al. Cluster head selection method for content‐centric mobile social network in 5G
US9477994B2 (en) Global relationship model and a relationship search method for internet social networks
Khanal et al. Route-based proactive content caching using self-attention in hierarchical federated learning
Herouala et al. CaDaCa: a new caching strategy in NDN using data categorization
CN113114762B (zh) 一种数据缓存方法及系统
CN108810139B (zh) 一种基于蒙特卡洛树搜索辅助的无线缓存方法
CN110139125B (zh) 无线移动网络下基于需求感知与资源缓存的视频共享方法
Detti et al. Modeling LRU cache with invalidation
CN111597259A (zh) 数据存储系统、方法、装置、电子设备及存储介质
CN103080969B (zh) 协作信息收集系统和协作信息收集方法
Hyytiä et al. On search and content availability in opportunistic networks
Anagnostopoulos et al. Optimal, quality-aware scheduling of data consumption in mobile ad hoc networks
Lai et al. Multiple‐resolution content sharing in mobile opportunistic networks
Zhang et al. A dynamic social content caching under user mobility pattern
Khan et al. Popularity-aware content caching for distributed wireless helper nodes

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