CN113497831A - 一种移动边缘网络下基于反馈流行度的内容放置方法及系统 - Google Patents

Abstract

本发明公开了一种移动边缘网络下基于反馈流行度的内容放置方法及系统，提出三种边缘网络内容放置方案，第一种和第二种方案先计算内容的反馈流行度并进行排名，然后计算各个内容间的相似度矩阵，再根据相似度矩阵选取与内容反馈流行度排名最靠前的内容最相似度的内容放置于边缘节点；第三种方案是先对内容的反馈流行度进行排名，然后以反馈流行度排名最靠前的k个内容为初始聚类中心点，对所有内容进行聚类，再每类选取相同数目的内容放置于边缘节点。将本发明提出的方法与PBC方法、Random方法进行了对比。实验结果表明对于被动推荐这种内容分发形式，本发明提出的方法推荐精度更好。本发明可以在内容推荐等领域具有较好应用价值。

Description

一种移动边缘网络下基于反馈流行度的内容放置方法及系统

技术领域

本发明属于移动边缘网络内容分发技术领域，具体涉及一种移动边缘网络下基于反馈流行度的内容放置方法及系统。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)部署在移动边缘网络，通过将计算、存储、网络等资源布置在距离用户更近的网络边缘，可以更快地对用户的服务请求进行响应，提升用户服务体验，并降低系统的资源开销。因此，移动边缘网络最重要的应用之一便是内容的分发，即将内容传递给用户。内容分发可分为用户主动搜索和系统被动推荐两种方式。被动推荐又称为推荐系统，是系统根据用户喜好，自主选择合适的内容推荐给用户。推荐系统是近年的研究热点，在电子商务、社交网络、位置服务等领域都有广泛应用，特别是在内容服务领域，推荐系统深入地理解用户的个性化深层需求，计算得到用户最可能喜欢的内容，并直接推荐给用户。

现有的MEC内容分发并没有完全区分主动搜索与被动推荐，并且大多针对用户主动搜索。被动推荐场景中，移动边缘网络下内容分发存在两大关键问题，即各边缘节点上内容如何缓存以及内容如何推荐给用户，仍未得到有效地解决。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种移动边缘网络下基于反馈流行度的内容放置方法及系统，针对移动边缘网络下被动推荐这种内容分发形式与传统的用户主动搜索的不同，解决内容在移动边缘计算的内容缓存问题，内容反馈流行度反映内容在边缘节点上的流行程度和受节点用户喜爱的程度，本发明分别提出基于反馈流行度的三种内容放置方法，减小MEC场景下的访问时延，提升用户体验。

本发明采用以下技术方案：

一种移动边缘网络下基于反馈流行度的内容放置方法，包括以下步骤：

S1、记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；

S2、基于步骤S1的内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；

S3、基于步骤S1的内容反馈流行度，结合步骤S2得到的内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

具体的，步骤S1中，使用内容推荐记录表记录内容推荐行为，内容推荐记录表包含内容编号、最近推荐次数、平均用户评分和最近推荐时间；最近推荐次数表示某一节点近期对覆盖范围内所有用户推荐某一内容的总次数；平均用户评分为节点用户群对于某一内容的平均评分；当边缘节点上出现新内容的推荐时，在内容推荐记录表中新增一项内容编号；当内容推荐记录表上记录的某一内容的最近推荐时间与当前时刻相差三个月以上，且内容的推荐次数衰减到设定阈值下时，从内容推荐记录表中删除对应内容的记录。

进一步的，平均用户评分S(x)计算如下：

其中，S_i(x)为第i个用户对内容x做出的反馈转化为的评分，N为用户格式。具体的，步骤S1中，内容反馈流行度FP计算如下：

FP＝P_c ^γ*AUS

其中，P_c表示内容流行度，AUS表示平均用户评分，γ为权重系数。

具体的，步骤S2中，两个不同内容之间的相似度具体为：变量X＝{X₁,X₂,X₃,…,X_n}和变量Y＝{Y₁,Y₂,Y₃,…,Y_n}之间的协方差和标准差之商计算如下：

其中，ρ_XY为皮尔逊相关系数，σ_X为内容x的标准差，σ_Y为内容y的标准差，cov(X，Y)表示两个变量的协方差，n为变量个数。

具体的，步骤S2中，内容相似度矩阵Δ为：

其中，δ_mn为内容m和内容n的相似度。

具体的，步骤S3中，基于相似度阈值进行内容放置具体为：

根据步骤S1得到的内容反馈流行度得排名，先选择排名最高的内容，遍历相似度矩阵中其它内容和排名最高内容的相似度，将两个的相似度大于设定阈值的内容加入被选取内容集合P；设当前节点的存储容量为N，根据内容反馈流行度排名从高到低，重复遍历、选取操作，直到被选取内容集合P中的元素总数达到N时，当前节点的存储空间已满。

具体的，步骤S3中，基于相似度平均选取进行内容放置具体为：

选取步骤S1得到的内容反馈流行度中排名靠前的K个内容，K值由移动边缘节点大小容量确定；针对Top-K个内容，根据内容反馈流行度排名从高到低的顺序，每个内容选取相似内容加入被选取内容集合P，当节点的存储容量为N时，每个内容选取N/K个相似内容进行放置。

具体的，步骤S3中，基于内容聚类选取进行内容放置具体为：

以步骤S1得到的内容反馈流行度排名中靠前的k个内容作为k-means聚类算法的k个初始聚类中心点；根据内容评分矩阵，计算剩余内容与已经选出的各聚类中心点的距离，将内容划分至与距离最近的簇中；所有内容划分完毕，重计算每个簇的中心，更新中心值对应的内容，当聚类中心不再变化或达到最大迭代次数聚类结束；更新簇中心的聚类中，根据内容与中心距离，每簇选取相同数目的内容加入到被选取内容集合P，节点的存储容量为N，每簇选取N/k个内容。

本发明的另一技术方案是，一种移动边缘网络下基于反馈流行度的内容放置系统，包括：

计算模块，记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；

矩阵模块，基于计算模块的内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；

放置模块，基于计算模块的内容反馈流行度，结合矩阵模块得到的内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种移动边缘网络下基于反馈流行度的内容放置方法，基于内容反馈流行度进行内容放置的选择，相比于内容流行度，内容反馈流行度能够反映内容的访问热度，又能够有效地反映用户对于内容的喜爱程度；分别基于相似度计算、内容聚类提出了三种内容放置方案；基于相似度计算的内容放置方案的核心思想是挖掘出那些与当前节点区域内热度最高、最受用户喜爱的内容最相似的内容，将它们缓存在当前边缘节点上，从而更好地服务于内容推荐过程。基于聚类的内容放置方案的核心思想是通过对节点上的内容进行聚类，挖掘出内容潜在的目标用户群体，将目标用户群体一致的内容聚为一类，每类选择N/K个的内容缓存于边缘节点上本发明衡量内容放置的效果：通过内容平均评分和内容平均总分两个定量指标表明本发明所提放置方案能提升用户满意程度，提高推荐效率。

进一步的，通过内容推荐记录表记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，根据内容流行度和平均用户评分确定本发明新定义的内容反馈流行度指标。

进一步的，平均用户评分可以获得该内容在普通用户中的流行程度或者热度，从而有针对性的获得不同用户对不同内容打分的偏好和打分习惯。

进一步的，内容反馈流行度是内容流行度和平均用户评分的乘积，并在内容流行度值上进行了系数调整，充分考虑流行度与评分的综合影响。

进一步的，皮尔逊相关系数比较向量的相似程度，这两个向量一般为连续值，分布在不同区间，比较以后的结果在[-1,1]之间。

进一步的，相似度矩阵表示了任意两个内容之间的相似程度，通过检索矩阵的行、列可以得到相似度。

进一步的，基于相似度阈值进行内容放置选择了排名最高的内容，充分考虑了该内容当前的流行程度，只有和当前内容相似的内容才会被推荐并放置在移动边缘节点的缓存上，并且流行程度越高的内容放置的相似内容也越多，充分显示了内容流行和内容放置的长尾效应

进一步的，基于相似度平均选取进行内容，这种放置方式对于前K个内容，所存放的相似内容块数量一样，均为N/K个(N是节点容量)，便于内容放置的计算，速度和执行效率较高。

进一步的，基于内容聚类选取进行内容放置能够使的内容相似程度更易于解释，聚类以后的内容中心特征更加明显，具有代表性，容易被某类客户表现出评分较高偏好，能够挖掘出内容潜在的目标用户群体，将目标用户群体一致的内容聚为一类。

综上所述，本发明提出内容反馈流行度的概念，兼顾内容的访问热度，和用户对于内容的偏好。在内容反馈流行度的基础上，本发明所提三种内容放置方案在内容平均评分方面均要优于传统内容放置方法和其他随机方法，能够提升用户满意程度，提高内容获取频度。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为移动边缘网络下的内容存放和内容推荐的系统架构图；

图2为本发明基于相似度计算的内容放置方案流程图；

图3为本发明设计内容评分矩阵形势图；

图4为本发明基于聚类的内容放置方案流程图；

图5为实验结果对比图，其中，(a)为不同方法的用户评分对比直方图；(b)为不同方法用户平均总分对比直方图。

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

请参阅图1，本发明提供了一种移动边缘网络下基于反馈流行度的内容放置方法，采用内容反馈流行度概念，并基于内容相似度或内容聚类来选取合适的内容放置在边缘节点上，图1表明反馈流行度计算基于内容评分和内容最近推荐次数，在反馈流行度基础之上，分别根据内容相似度指标提出两种放置方案，根据内容聚类提出一种内容放置方案。

请参阅图2，本发明一种移动边缘网络下基于反馈流行度的内容放置方法，具体步骤如下：

S1、内容反馈流行度计算；

基于内容反馈流行度和内容推荐记录来反映内容的热度，内容流行度兼顾了用户对内容的平方和最近访问次数，可以通过权重的设置调整概念中用户喜好程度和访问热度；

内容反馈流行度(Content Feedback Popularity，FP)，既反映内容在某一区域的流行情况，又反映了用户对于内容喜爱程度。

内容反馈流行度FP的计算方式如下：

FP＝P_c ^γ*AUS

其中，P_c表示内容流行度，AUS表示用户对该内容的平均评分，γ为权重系数，γ越大表示流行度的权重越大，γ越小表示用户平均评分的权重越大。

γ的值根据系统实际需求选取，本发明中取γ＝0.5。

为了方便内容反馈流行度FP的计算，本发明设计了一个内容推荐记录表。内容推荐记录表放置于每一个边缘节点中，用以记录对应节点对其覆盖区域内用户的内容推荐行为；

内容推荐记录表的结构如表1所示。

表1内容推荐记录表

表1主要有四项内容，分别为：内容编号CID(Content ID)、最近推荐次数RRC(Recent Recommendation Counts)、平均用户评分AUS(Average User Score)、最近推荐时间RRT(Recent Recommendation Time)。内容编号是内容在系统中的唯一标识符，用以区分不同内容，方便对内容进行检索等操作。最近推荐次数是边缘节点在近期内对其服务的所有用户推荐某一内容的总次数。平均用户评分是所有被推荐该内容的用户对该内容给出的反馈即评分的平均值，最近推荐时间是最近一次推荐该内容的时间。

最近推荐次数RRC，表示某一节点近期对其覆盖范围内所有用户推荐某一内容的总次数，每当内容被推荐一次，则该内容的RRC就累加1；内容推荐记录表的结构如下表所示。由于热度是时间敏感的，推荐行为先后将对热度产生不同影响，因此每隔时间周期T更新当前的RRC值，某一内容x的最近推荐次数RRC值C(x)由以下公式进行更新：

RRC(x)|_t+T＝RRC(x)|_t-ΔRRC(x)|_T

其中，RRC(x)|_t+T为当前时刻t+T更新后的RRC值；RRC(x)|_t-为当前时刻t的RRC；ΔRRC(x)|_T为时间间隔T的RRC更新值；T为更新周期。

内容流行度Pc，假设该节点的内容推荐记录表共记录了N项内容，对这些内容重新编号为1到N，则编号为x的内容的流行度计算如下：

其中，RRC(x)为编号为内容x的最近推荐次数；C(i)为编号为i内容的最近推荐次数；

平均用户评分AUS，即节点用户群对于某一内容的平均评分，用户评分由被推荐某一内容后用户给出的反馈行为(评论、转发、点赞、停留时长等)转化得到；假设某一内容x共被推荐给了N个用户，那么它的AUS值S(x)的计算公式如下：

其中，S_i(x)为第i个用户对内容x做出的反馈转化为的评分。

内容推荐记录表维护，当边缘节点上出现了一个新内容的推荐时，需要在表中新增一项；当内容推荐记录表上记录的某一内容的最近推荐时间(RRT)与当前时刻相差过大(时间间隔超过3个月)，且该内容的最近推荐次数(RRC)衰减到某一阈值之下时，说明对应内容在当前节点很长(时间间隔超过3个月)时间没有得到推荐，从表中删除该内容有关记录。

S2、相似度计算，基于内容相似度作为相似内容存放的依据，内容评分、皮尔逊相关系数和相似度矩阵可以将相似的内容和用户进行关联，作为内容存放的依据；

请参阅图3，内容评分矩阵的横坐标表示有过推荐记录的所有内容，纵坐标表示节点服务的所有用户；矩阵的值即边缘节点上相应用户对所对应内容的评分；

S201、在内容评分的基础上，借助皮尔逊相关系数计算两个内容之间的相似度。对于两个变量X＝{X1，X2，X3，…，Xn}和Y＝{Y1，Y2，Y3，…，Yn}，它们之间的协方差和标准差之商即皮尔逊相关系数，其计算公式如下：

其中，ρ_XY为皮尔逊相关系数，σ_X为内容x的标准差，σ_Y为内容y的标准差，cov(X，Y)表示两个变量的协方差，n为变量个数。

皮尔逊相关系数用来度量两个内容间的相似或相关性，值在-1和1之间，越接近1表示两个变量越正相关，越接近-1表示两个变量越负相关，越接近0表示两个变量越不相关；对于两个内容i和j，将统计共同评价过它们的用户及其评分I＝{I₁，I₂，I₃，…，I_n}和J＝{J₁，J₂，J₃，…，J_n}

S202、内容相似度矩阵构造，将所有内容之间的两两相似度构成矩阵即内容相似度矩阵Δ，根据定义可知相似度矩阵具有如下两个特性：斜对称，即δ_ij＝δ_ji。自相似，对角线上的所有元素均为1，因为任意内容和自己的相似度均为1。内容相似度矩阵由节点进行定期更新和维护，可直接调用，是内容放置的重要依据。

其中，δ_mn为内容m和内容n的相似度。内容相似度δ_mn计算方法如下，对于两个内容i和j，将共同评价过它们的用户对它们的评分I＝{I₁,I₂,I₃,…,I_n}和J＝{J₁，J₂，J₃，…，J_n}之间的皮尔逊相关系数进行归一化就得到它们的内容相似度，即，δ_ij＝(ρ_IJ+1)/2由定义可知，δ_ij∈[0，1]。由定义可知，δ_ij∈[0，1]。在内容相似度的基础上，可得到内容相似度矩阵。

S3、内容选取；

本发明基于内容反馈流行度的内容放置方法(为了研究方便，本发明假设所有内容所需的存储空间都是相同的)，结合内容相似度矩阵来选取内容进行放置。本发明分别提出了三种内容放置方案。包括基于相似度阈值(Similarity-based Threshold Algorithm,SBTA)、基于相似度平均选取(Similarity-based Average Algorithm B，SBAA，又称Top-K的平均选取)和基于内容聚类(Conten-based Cluster Algorithm，CBCA)等方案。

S301、SBTA内容选取策略(基于相似度阈值)

1)根据节点的内容推荐记录表计算得到每个内容的反馈流行度并进行排名；

2)根据内容反馈流行度排名，先选择排名最高的内容，遍历相似度矩阵中其它内容和排名最高内容的相似度，将和排名最高的内容相似度大于某一阈值的内容加入被选取内容集合P；

3)假设当前节点的存储容量为N，根据内容反馈流行度排名从高到低，重复遍历、选取操作，直到被选取内容集合P中的元素总数达到N，即当前节点的存储空间已满。

S302、SBAA内容选取策略(又称Top-K的平均选取)

1)根据节点的内容推荐记录表，计算得到每个内容的反馈流行度并进行排名；

2)选取排名最靠前的K个内容，这K个内容就是当前节点上热度最高、用户最喜欢的。考虑到不同节点的存储能力是不同的，K值由该节点自行确定；

3)针对这Top-K个内容，根据内容反馈流行度排名从高到低的顺序，每个选取一定数量的相似内容加入被选取内容集合P(如节点的存储容量为N，那么每个内容需选取N/K个相似内容进行放置)；

S303、CBCA(基于内容中心聚类)内容选取策略，考虑到特定用户的喜好具有极大的相似性，内容聚类便于对边缘节点对目标客户进行有效推荐，请参阅图4，具体步骤如下：

1)根据内容推荐记录，计算节点的内容评分矩阵和反馈流行度排名；

2)以内容反馈流行度排名最靠前的k个内容作为k-means聚类算法的k个初始聚类中心点；

3)根据内容评分矩阵，计算其他内容与已经选出的各聚类中心点的距离(原k个排名最前的内容)，将内容划分至与距离最近的簇中；

4)所有内容划分完毕，重计算每个簇的中心，更新中心值对应的内容，当聚类中心不再变化或达到最大迭代次数聚类结束；

5)更新簇中心的聚类中，根据内容与中心距离，每簇选取相同数目的内容加入到被选取内容集合P(假设节点的存储容量为N，那么每簇选取N/k个内容)。

本发明再一个实施例中，提供一种移动边缘网络下基于反馈流行度的内容放置系统，该系统能够用于实现上述移动边缘网络下基于反馈流行度的内容放置方法，具体的，该移动边缘网络下基于反馈流行度的内容放置系统包括计算模块、矩阵模块以及放置模块。

其中，计算模块，记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；

矩阵模块，基于计算模块的内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；

放置模块，基于计算模块的内容反馈流行度，结合矩阵模块得到的内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于移动边缘网络下基于反馈流行度的内容放置方法的操作，包括：

记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；基于内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；基于内容反馈流行度，结合内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关移动边缘网络下基于反馈流行度的内容放置方法的相应步骤；计算机可读存储介质中记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；基于内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；基于内容反馈流行度，结合内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

本发明涉及移动边缘网络下基于反馈流行度的内容放置方法,采用MovieLens数据集来仿真边缘节点对于其用户的推荐记录，实验平台为Matlab。

MovieLens数据集是真实用户评分构成的电影评分数据集，由美国Minnesota大学计算机科学与工程学院的GroupLens项目组收集。为满足需求，该数据集提供了多种不同规格的子数据集。本实验采用了其中100K大小的子数据集，该子数据集包含948位用户对1682个电影的10万条评分数据，每条数据包含四个字段：用户编号(userid)、项目编号(itemid)、用户评分(rating)以及评分时间戳(timestamp)，数据具体形式如表2所示。

表2原始数据形式

仿真实验中，将MovieLens数据集中的每条数据作为一条推荐记录，按照评分时间先后顺序将推荐记录按照9：1的比例划分为训练集和测试集，前90％作为训练集，后10％作为测试集。以训练集中的数据作为边缘节点的原始推荐记录，在其基础上根据本发明提出的内容放置方案选择合适的内容进行放置。再采用测试集中的推荐记录来评价所放置内容是否合适，从而验证本发明所提出的内容放置方案的合理性。在被动推荐场景中，评价内容分发过程是否有效的最重要标准是用户对于被推荐内容的满意程度。本发明采用两个指标来衡量内容放置的效果：内容平均评分和内容平均总分。

为了验证本发明提出方法的有效性，将会和以下两种方法进行实验对比：

1)PBC，基于传统流行度的内容放置方法(Popularity Based Contentplacement)，该方法将边缘节点上流行度排名最高的内容缓存于节点上，从而能够对访问热度最高的内容进行较快的响应。本发明的方法就是在其基础上提出的。

2)Random，随机选择方法该方法在推荐系统的所有内容中随机选取内容放置于边缘节点上，不涉及用户反馈和内容流行。

下面将本实验提出的内容放置方法与基于传统流行度的内容放置方法PBC与随机选择内容放置方法Random进行对比实验。根据测试集中的数据，首先进行各个方法所选择放置于边缘节点内容的内容平均评分实验，实验结果如图5(a)所示。

从实验结果可以看出，本发明提出的基于相似度计算的SBTA与SBAA以及基于聚类的CBCA方法在内容平均评分方面均要优于基于传统流行度的PBC以及随机方法Random。其中基于相似度计算的SBTA与SBAA的内容平均评分基本一致，这是因为两个方法的思想均是选取与节点上最流行、最受用户喜爱的内容最相似的内容放置于边缘节点上，区别只在于具体的内容选取策略稍有不同。基于聚类的方法CBCA的表现要略逊于基于相似度计算的方法，这是因为该方法更适用于应对海量数据的场景，相较于基于相似度计算的方法，它的算法运行代价会更低。但是限于实验条件限制，本发明采用的实验数据集较小。尽管如此，从实验结果可以看出，CBCA的表现也要优于PBC方法与Random方法，这也验证了该方法的思想是正确的。

相较于内容平均评分，内容平均总分在一定程度上反映了内容被推荐的频次。内容平均总分可以通过内容平均评分乘以内容被推荐次数的方式计算得到。实验结果如图5(b)所示。

从实验结果可以看出，在用户评分总分方面，基于相似度计算的SBTA与SBAA方法的性能表现仍为最优且基本一致。基于聚类的CBCA方法明显优于Random方法但是和PBC方法相差不大。这是因为CBCA方法是一种更适用于海量数据场景的方法，且因为真实数据集的缺少，本发明采用模拟仿真的方式进行实验，实际上并不完全符合本发明针对的场景。但是，从整体的实验结果仍然可以看出，本发明提出的方法更适用于被动推荐这一内容分发场景。

综上所述，本发明一种移动边缘网络下基于反馈流行度的内容放置方法，在传统流行度的基础上，提出内容反馈流行度的概念，相比于内容流行度，内容反馈流行度能够反映内容的访问热度，又能够有效地反映用户对于内容的喜爱程度。在内容反馈流行度的基础上，本文又分别基于相似度计算、内容聚类提出了一共三种内容放置方案。基于相似度计算的内容放置方案的核心思想是挖掘出那些与当前节点区域内热度最高、最受用户喜爱的内容最相似的内容，将它们缓存在当前边缘节点上，从而更好地服务于内容推荐过程。基于聚类的内容放置方案的核心思想是通过对节点上的内容进行聚类，挖掘出内容潜在的目标用户群体，将目标用户群体一致的内容聚为一类，为兼顾不同用户群体的喜好，每类选择一定的内容缓存于边缘节点上。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种移动边缘网络下基于反馈流行度的内容放置方法，其特征在于，包括以下步骤：

S1、记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；

S2、基于步骤S1的内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；

S3、基于步骤S1的内容反馈流行度，结合步骤S2得到的内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，使用内容推荐记录表记录内容推荐行为，内容推荐记录表包含内容编号、最近推荐次数、平均用户评分和最近推荐时间；最近推荐次数表示某一节点近期对覆盖范围内所有用户推荐某一内容的总次数；平均用户评分为节点用户群对于某一内容的平均评分；当边缘节点上出现新内容的推荐时，在内容推荐记录表中新增一项内容编号；当内容推荐记录表上记录的某一内容的最近推荐时间与当前时刻相差三个月以上，且内容的推荐次数衰减到设定阈值下时，从内容推荐记录表中删除对应内容的记录。

3.根据权利要求2所述的方法，其特征在于，平均用户评分S(x)计算如下：

其中，S_i(x)为第i个用户对内容x做出的反馈转化为的评分，N为用户格式。

4.根据权利要求1所述的方法，其特征在于，步骤S1中，内容反馈流行度FP计算如下：

FP＝P_c ^γ*AUS

其中，P_c表示内容流行度，AUS表示平均用户评分，γ为权重系数。

5.根据权利要求1所述的方法，其特征在于，步骤S2中，两个不同内容之间的相似度具体为：变量X＝{X₁,X₂,X₃,…,X_n}和变量Y＝{Y₁,Y₂,Y₃,…,Y_n}之间的协方差和标准差之商计算如下：

其中，ρ_XY为皮尔逊相关系数，σ_X为内容x的标准差，σ_Y为内容y的标准差，cov(X，Y)表示两个变量的协方差，n为变量个数。

6.根据权利要求1所述的方法，其特征在于，步骤S2中，内容相似度矩阵Δ为：

其中，δ_mn为内容m和内容n的相似度。

7.根据权利要求1所述的方法，其特征在于，步骤S3中，基于相似度阈值进行内容放置具体为：

根据步骤S1得到的内容反馈流行度的排名，先选择排名最高的内容，遍历相似度矩阵中其它内容和排名最高内容的相似度，将两个的相似度大于设定阈值的内容加入被选取内容集合P；设当前节点的存储容量为N，根据内容反馈流行度排名从高到低，重复遍历、选取操作，直到被选取内容集合P中的元素总数达到N时，当前节点的存储空间已满。

8.根据权利要求1所述的方法，其特征在于，步骤S3中，基于相似度平均选取进行内容放置具体为：

根据节点的内容推荐记录表，计算得到每个内容的反馈流行度并进行排名；选取步骤S1得到的内容反馈流行度中排名靠前的K个内容，K值由移动边缘节点大小容量确定；针对Top-K个内容，根据内容反馈流行度排名从高到低的顺序，每个内容选取相似内容加入被选取内容集合P，当节点的存储容量为N时，每个内容选取N/K个相似内容进行放置。

9.根据权利要求1所述的方法，其特征在于，步骤S3中，基于内容聚类选取进行内容放置具体为：

以步骤S1得到的内容反馈流行度排名靠前的k个内容作为k-means聚类算法的k个初始聚类中心点；根据内容评分矩阵，计算剩余内容与已经选出的各聚类中心点的距离，将内容划分至与距离最近的簇中；所有内容划分完毕，重计算每个簇的中心，更新中心值对应的内容，当聚类中心不再变化或达到最大迭代次数聚类结束；更新簇中心的聚类中，根据内容与中心距离，每簇选取相同数目的内容加入到被选取内容集合P，节点的存储容量为N，每簇选取N/k个内容。

10.一种移动边缘网络下基于反馈流行度的内容放置系统，其特征在于，包括：

计算模块，记录移动边缘网络各节点对覆盖区域内用户的内容推荐行为，内容推荐行为包括内容流行度和平均用户评分，根据内容流行度和平均用户评分确定内容反馈流行度；

矩阵模块，基于计算模块的内容推荐行为，借助皮尔逊相关系数计算节点上两个不同内容之间的相似度，构造内容相似度矩阵，将所有内容之间的两两相似度构成矩阵作为内容相似度矩阵Δ；

放置模块，基于计算模块的内容反馈流行度，结合矩阵模块得到的内容相似度矩阵Δ选取内容，分别基于相似度阈值、基于相似度平均值和基于内容聚类选取内容放置在节点上。

Images