CN116881297A - 缓存内容排序方法、装置、计算机设备和存储介质 - Google Patents
缓存内容排序方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116881297A CN116881297A CN202310844528.6A CN202310844528A CN116881297A CN 116881297 A CN116881297 A CN 116881297A CN 202310844528 A CN202310844528 A CN 202310844528A CN 116881297 A CN116881297 A CN 116881297A
- Authority
- CN
- China
- Prior art keywords
- cached
- content information
- content
- sequence
- user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 196
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012512 characterization method Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000003993 interaction Effects 0.000 claims description 45
- 230000007774 longterm Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种缓存内容排序方法、装置、计算机设备和存储介质。本申请涉及信息通讯和人工智能技术。方法包括：获取多个用户在不同时间点请求缓存的待缓存内容序列、用户序列、以及多个待缓存内容信息；将各待缓存内容信息进行特征化处理，得到各待缓存特征向量，并进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；基于每个待缓存特征向量的自注意力分数、以及各用户对应的用户序列，计算待缓存内容序列中相邻的待缓存特征向量之间的相似度距离，得到每个待缓存内容信息对应的最终评分值；按照最终评分值排列，得到所有待缓存内容信息对应的目标缓存序列。采用本方法能够提升用户请求的内容信息的缓存效率。
Description
技术领域
本申请涉及信息通讯和人工智能技术领域，特别是涉及一种缓存内容排序方法、装置、计算机设备和存储介质。
背景技术
随着5G通信技术的发展，金融类软件的用户流越来越大，每个用户时刻产生大量的缓存数据需要存储于服务器中，而边缘缓存成为了一种备受关注的网络高负载传输的新型解决方案。然而尽管用户请求的内容量不断增加，但边缘节点的存储空间和计算资源通常都十分有限，无法同时缓存所有内容信息。所以如何对缓存内容排序是当前的研究重点。
传统的边缘缓存方式是同时对用户请求的所有缓存内容数据进行缓存，使得每个缓存内容信息的缓存效率均较慢，从而导致用户请求的内容信息的缓存效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种缓存内容排序方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种缓存内容排序方法。所述方法包括：
获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；所述用户序列为各所述用户按照请求缓存的时间点的顺序进行排列得到的序列；
基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；
基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；
按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列；所述目标缓存序列用于所述边缘缓存时按照所述目标缓存序列对各所述待缓存内容信息进行缓存处理。
可选的，所述基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，包括：
针对每个待缓存内容信息，对所述待缓存内容信息对应的用户在所述用户序列的位次进行向量化处理，得到所述待缓存内容信息对应的第一向量，并对所述待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到所述待缓存内容信息对应的第二向量；
提取所述待缓存内容信息中的特征信息，并对所述特征信息进行向量化处理，得到所述待缓存内容信息对应的第三向量；
基于所述待缓存内容信息对应的第一向量、所述待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
可选的，所述通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数，包括：
针对每个待缓存内容信息，将所述待缓存内容信息对应的第一向量、以及所述待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于所述相同空间层的第一向量和第三向量，计算所述待缓存内容信息对应的注意力权重矩阵；
基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，并基于所述待缓存内容信息对应的注意力权重矩阵、以及所述待缓存内容信息对应的第二向量，通过所述自注意力机制的对角线算法，计算所述待缓存特征向量的自注意力分数。
可选的，所述基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值，包括：
针对每个待缓存内容信息，基于所述待缓存内容信息，以及所述待缓存内容序列中所述待缓存内容信息相邻的下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的欧式距离，并基于所述待缓存内容信息的自注意力分数，以及所述下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的短期用户依赖值；
基于所述待缓存内容信息对应的用户在所述用户序列的位次、以及所述待缓存内容信息对应的待缓存内容序列的位次，计算所述待缓存内容的欧几里得距离、以及所述待缓存内容信息的长期用户偏好值；
基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值。
可选的，所述基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值，包括：
对所述待缓存内容信息对应的欧式距离进行归一化处理，得到所述短期用户依赖值权值，对所述待缓存内容信息对应的欧几里得距离进行归一化处理，得到所述长期用户偏好值权值，并基于所述短期用户依赖值权值、所述长期用户偏好值权值，对所述短期用户依赖值、以及所述长期用户偏好值进行加权求和处理，得到所述待缓存内容信息对应的最终评分值。可选的，所述基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，包括：
识别每个待缓存内容信息与所述待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别；
基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。
可选的，所述基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值，包括：
通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
第二方面，本申请还提供了一种缓存内容排序装置。所述装置包括：
获取模块，用于获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；所述用户序列为各所述用户按照请求缓存的时间点的顺序进行排列得到的序列；
评价模块，用于基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；
评分模块，用于基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；
排序模块，用于按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列；所述目标缓存序列用于所述边缘缓存时按照所述目标缓存序列对各所述待缓存内容信息进行缓存处理。
可选的，所述评价模块，具体用于：
针对每个待缓存内容信息，对所述待缓存内容信息对应的用户在所述用户序列的位次进行向量化处理，得到所述待缓存内容信息对应的第一向量，并对所述待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到所述待缓存内容信息对应的第二向量；
提取所述待缓存内容信息中的特征信息，并对所述特征信息进行向量化处理，得到所述待缓存内容信息对应的第三向量；
基于所述待缓存内容信息对应的第一向量、所述待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
可选的，所述评价模块，具体用于：
针对每个待缓存内容信息，将所述待缓存内容信息对应的第一向量、以及所述待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于所述相同空间层的第一向量和第三向量，计算所述待缓存内容信息对应的注意力权重矩阵；
基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，并基于所述待缓存内容信息对应的注意力权重矩阵、以及所述待缓存内容信息对应的第二向量，通过所述自注意力机制的对角线算法，计算所述待缓存特征向量的自注意力分数。
可选的，所述评分模块，具体用于：
针对每个待缓存内容信息，基于所述待缓存内容信息，以及所述待缓存内容序列中所述待缓存内容信息相邻的下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的欧式距离，并基于所述待缓存内容信息的自注意力分数，以及所述下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的短期用户依赖值；
基于所述待缓存内容信息对应的用户在所述用户序列的位次、以及所述待缓存内容信息对应的待缓存内容序列的位次，计算所述待缓存内容的欧几里得距离、以及所述待缓存内容信息的长期用户偏好值；
基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值。
可选的，所述评分模块，具体用于：
对所述待缓存内容信息对应的欧式距离进行归一化处理，得到所述短期用户依赖值权值，对所述待缓存内容信息对应的欧几里得距离进行归一化处理，得到所述长期用户偏好值权值，并基于所述短期用户依赖值权值、所述长期用户偏好值权值，对所述短期用户依赖值、以及所述长期用户偏好值进行加权求和处理，得到所述待缓存内容信息对应的最终评分值。
可选的，所述评价模块，具体用于：
识别每个待缓存内容信息与所述待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别；
基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。
可选的，所述评价模块，具体用于：
通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述缓存内容排序方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列。本方案基于各待缓存内容信息在不同时间点的时间序列(即待缓存内容序列)、以及各待缓存内容信息对应的用户的用户序列，通过自注意力机制，计算每个待缓存内容的注意力评分值，然后，再通过相似距离算法，结合待缓存内容信息对应的相邻时间序列(即待缓存内容序列)、以及待缓存内容信息对应的用户序列，分析每个相邻时间序列的待缓存内容信息的相似度距离，从而优化自注意力评分值，从而得到不同用户偏好的目标缓存序列，不仅提升了用户对缓存内容的及时性需求，同时基于目标缓存序列进行缓存，提升了用户请求的内容信息的缓存效率。
附图说明
图1为一个实施例中缓存内容排序方法的流程示意图；
图2为一个实施例中缓存内容排序示例的流程示意图；
图3为一个实施例中缓存内容排序装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的缓存内容排序方法，可应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端基于各待缓存内容信息在不同时间点的时间序列(即待缓存内容序列)、以及各待缓存内容信息对应的用户的用户序列，通过自注意力机制，计算每个待缓存内容的注意力评分值，然后，再通过相似距离算法，结合待缓存内容信息对应的相邻时间序列(即待缓存内容序列)、以及待缓存内容信息对应的用户序列，分析每个相邻时间序列的待缓存内容信息的相似度距离，从而优化自注意力评分值，从而得到不同用户偏好的目标缓存序列，不仅提升了用户对缓存内容的及时性需求，同时基于目标缓存序列进行缓存，提升了用户请求的内容信息的缓存效率。
在一个实施例中，如图1所示，提供了一种缓存内容排序方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，获取多个用户在不同时间点请求缓存的待缓存内容序列、各用户对应的用户序列、以及待缓存内容序列对应的多个待缓存内容信息。
其中，用户序列为各用户按照请求缓存的时间点的顺序进行排列得到的序列。
本实施例中，终端响应于用户的请求缓存的操作，获取不同用户在不同时间点的待缓存内容信息。然后，终端按照用户请求缓存的时间点的时间顺序，对各待缓存内容信息进行排序，得到待缓存内容序列，并基于每个用户请求缓存的时间点的时间顺序，对每个用户进行排序，得到各用户对应的用户序列。其中待缓存内容信息可以但不限于是视频内容信息、文件内容信息、金融产品查询内容信息、以及音频内容信息等。其中，不同的用户序列的位次对应的用户可能为同一个用户，不同待缓存内容序列对应的待缓存内容信息之间不相同，待缓存内容信息之间存在相似性。例如，均为新闻类的视频内容信息、娱乐类的视频内容信息、以及会议类的音频内容信息等。
步骤S102，基于用户序列、以及待缓存内容序列，将各待缓存内容信息进行特征化处理，得到各待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数。
本实施例中，终端提取每个待缓存内容信息的特征信息，并基于每个待缓存内容信息对应的用户在用户序列中的位次、以及每个待缓存内容信息对应的待缓存内容序列中的位次，对每个待缓存内容信息进行向量化处理，得到每个待缓存内容信息对应的待缓存特征向量。具体的向量化处理过程后续将详细说明。终端针对每个待缓存内容信息对应的待缓存特征向量，通过自注意力机制，对各待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数。具体的评价过程后续将详细说明。
步骤S103，基于每个待缓存特征向量的自注意力分数、以及各用户对应的用户序列，通过相似距离算法，分别计算待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值。
本实施例中，终端针对每个待缓存特征向量，基于每个待缓存特征向量的自注意力分数、以及各用户对应的用户序列，通过相似距离算法，计算在待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，然后终端通过将每个待缓存内容信息之间的相似度距离进行加权求和，得到每个待缓存内容信息对应的最终评分值，具体的计算过程后续将详细说明。其中相似距离算法包括欧式距离算法、以及欧几里得距离算法。
步骤S104，按照最终评分值从大到小的顺序对待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列。
其中，目标缓存序列用于边缘缓存时按照目标缓存序列对各待缓存内容信息进行缓存处理。
本实施例中，终端按照最终评分值从大到小的顺序对每个待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列。
基于上述方案，基于各待缓存内容信息在不同时间点的时间序列(即待缓存内容序列)、以及各待缓存内容信息对应的用户的用户序列，通过自注意力机制，计算每个待缓存内容的注意力评分值，然后，再通过相似距离算法，结合待缓存内容信息对应的相邻时间序列(即待缓存内容序列)、以及待缓存内容信息对应的用户序列，分析每个相邻时间序列的待缓存内容信息的相似度距离，从而优化自注意力评分值，从而得到不同用户偏好的目标缓存序列，不仅提升了用户对缓存内容的及时性需求，同时基于目标缓存序列进行缓存，提升了用户请求的内容信息的缓存效率。
可选的，基于用户序列、以及待缓存内容序列，将各待缓存内容信息进行特征化处理，得到各待缓存内容信息对应的待缓存特征向量，包括：针对每个待缓存内容信息，对待缓存内容信息对应的用户在用户序列的位次进行向量化处理，得到待缓存内容信息对应的第一向量，并对待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到待缓存内容信息对应的第二向量；提取待缓存内容信息中的特征信息，并对特征信息进行向量化处理，得到待缓存内容信息对应的第三向量；基于待缓存内容信息对应的第一向量、待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
本实施例中，终端针对每个待缓存内容信息，对该待缓存内容信息对应的用户在用户序列的位次进行向量化处理，得到待缓存内容信息对应的第一向量；对待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到待缓存内容信息对应的第二向量。然后，终端提取待缓存内容信息中的特征信息，并对该特征信息进行向量化处理，得到待缓存内容信息对应的第三向量。其中特征信息用户表征该待缓存内容信息的内容特征。最后，终端将待缓存内容信息对应的第一向量、待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量进行拼接处理，得到待缓存内容信息对应的待缓存特征向量。其中，该待缓存特征向量的公式为：
上式中，Q为自注意力机制的queryQ向量用于表征待缓存内容信息的第一向量，K为自注意力机制的keyK向量用于表征待缓存内容信息的第二向量，V为自注意力机制的valueV向量用于表征待缓存内容信息的第三向量。
基于上述方案，通过将用户序列、待缓存内容序列、以及待缓存内容信息进行向量化处理，提升了后续计算自注意力分数的精准度。
可选的，通过自注意力机制对各待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数，包括：针对每个待缓存内容信息，将待缓存内容信息对应的第一向量、以及待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于相同空间层的第一向量和第三向量，计算待缓存内容信息对应的注意力权重矩阵；基于各待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，并基于待缓存内容信息对应的注意力权重矩阵、以及待缓存内容信息对应的第二向量，通过自注意力机制的对角线算法，计算待缓存特征向量的自注意力分数。
本实施例中，终端针对每个待缓存内容信息，将待缓存内容信息对应的第一向量、以及待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量。然后，终端通过点注意力机制算法，基于相同空间层的第一向量和第三向量，计算待缓存内容信息对应的注意力权重矩阵。最后，终端基于待缓存内容信息对应的注意力权重矩阵、以及待缓存内容信息对应的第二向量，通过自注意力机制的对角线算法，计算待缓存特征向量的自注意力分数。
具体的，待缓存内容信息对应的第二向量为终端通过自注意力机制的ReLU函数作为激励函数。将Q和K映射到相同的隐藏层空间得到相同空间层的第一向量和第三向量，其中，相同空间层的第一向量和第三向量的公式如下：
其中WQ为第一向量在相同空间层的权重，WK为第三向量在相同空间层的权重。上述第一向量的权重值为该待缓存内容信息对应的用户在用户序列的位次与该用户序列中所有用户的数目的比例的倒数进行归一化得到的数值，上述第三向量的权重值为该待缓存内容信息对应的待缓存内容序列的位次与该带缓存内容序列中所有待缓存内容信息的数目的比例的倒数进行归一化得到的数值。
然后终端通过自注意力机制的点注意力机制算法，基于相同空间层的第一向量和第三向量，计算待缓存内容信息对应的注意力权重矩阵。其中，点注意力机制算法如下，比例因子为d，得到注意力权重矩阵如下：
上式中，d为比例因子，为注意力权重矩阵，Q’为相同空间层的第一向量，K’为相同空间层的第三向量。
终端将上述权重矩阵乘以待缓存内容信息对应的第二向量，即待缓存内容信息/>得到加权的待缓存内容信息：
然后，终端通过包含时序特征的对焦算法对上述加权的待缓存特征向量进行运算处理，得到该待缓存特征向量对应的自注意力评分值。其中，时序特征为TE由以下正弦和余弦信号组成：
TF(t，2i)＝sin(t/100002i/d)
TE(t，2i+1)＝cos(t/100002i/d)
其中，t是时间步长，i是向量维数。
基于上述方案，通过添加时序特征的自注意力机制，对各待缓存特征向量进行自注意力评价处理，得到每个待缓存特征向量对应的自注意力评分值，提升了获取的自注意力评分值中对时序特征的关注度。
可选的，基于每个待缓存特征向量的自注意力分数、以及各用户对应的用户序列，通过相似距离算法，分别计算待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值，包括：针对每个待缓存内容信息，基于待缓存内容信息，以及待缓存内容序列中待缓存内容信息相邻的下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的欧式距离，并基于待缓存内容信息的自注意力分数，以及下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的短期用户依赖值；基于待缓存内容信息对应的用户在用户序列的位次、以及待缓存内容信息对应的待缓存内容序列的位次，计算待缓存内容的欧几里得距离、以及待缓存内容信息的长期用户偏好值；基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值。
本实施例中，终端针对每个待缓存内容信息，基于待缓存内容信息，以及待缓存内容序列中待缓存内容信息相邻的下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的欧式距离。然后，终端基于待缓存内容信息的自注意力分数，以及下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的短期用户依赖值。
终端基于待缓存内容信息对应的用户在用户序列的位次、以及待缓存内容信息对应的待缓存内容序列的位次，计算待缓存内容的欧几里得距离、以及待缓存内容信息的长期用户偏好值。最后，终端通过对待缓存内容信息对应的欧式距离、短期用户依赖值、待缓存内容信息对应的欧几里得距离、以及长期用户偏好值进行加权求和处理，得到待缓存内容信息对应的最终评分值。具体的加权求和过程，后续将详细说明。
具体的，在获得每个待缓存内容信息的自注意力分数/>后，终端计算该待缓存内容信息与待缓存内容序列的下一时间步的待缓存内容信息/>之间的欧氏距离。然后终端通过短期依赖算法，计算上述两个待缓存内容信息之间的短期用户依赖值。上述短期依赖算法为/>
其次，终端针对每个待缓存内容信息，计算该待缓存内容信息对应的第一向量和第三向量之间的欧几里得距离。然后，终端通过长期偏好算法，计算该待缓存内容信息对应的第一向量和第三向量之间的长期用户偏好值。上述长期偏好算法为
基于上述方案，通过计算每个待缓存内容信息的短期用户依赖值、以及每个待缓存内容信息的长期用户偏好值，调整自注意力分数对相邻两个待缓存内容信息之间的关联信息的关注度，提升了得到的最终评分值的精准度。
可选的，对待缓存内容信息对应的欧式距离进行归一化处理，得到短期用户依赖值权值，对待缓存内容信息对应的欧几里得距离进行归一化处理，得到长期用户偏好值权值，并基于短期用户依赖值权值、长期用户偏好值权值，对短期用户依赖值、以及长期用户偏好值进行加权求和处理，得到待缓存内容信息对应的最终评分值。
本实施例中，终端对待缓存内容信息对应的欧式距离进行归一化处理，得到短期用户依赖值权值，对待缓存内容信息对应的欧几里得距离进行归一化处理，得到长期用户偏好值权值。然后，终端基于短期用户依赖值权值、长期用户偏好值权值，对短期用户依赖值、以及长期用户偏好值进行加权求和处理，得到待缓存内容信息对应的最终评分值。
具体的，终端对待缓存内容信息对应的欧式距离进行归一化处理，得到短期用户依赖值权值，对待缓存内容信息对应的欧几里得距离进行归一化处理，得到长期用户偏好值权值，并基于短期用户依赖值权值、长期用户偏好值权值，对短期用户依赖值以及长期用户偏好值/>进行加权求和处理，得到待缓存内容信息对应的最终评分值。
基于上述方案，通过加权求和的方式融合待缓存内容信息的短期用户依赖值与长期用户偏好值，提升了得到的最终评分值的精准度。
可选的，基于各待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，包括：识别每个待缓存内容信息与待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别；基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。
本实施例中，终端识别每个待缓存内容信息与待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别。其中交互信息的类别包括该待缓存内容信息与用户有交互、以及该待缓存内容信息与用户无交互。然后，终端基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。具体的损失值计算过程后续将详细说明。
基于上述方案，通过分析待缓存内容信息与用户是否有交互，计算自注意力机制的损失值，提升了评价每个待缓存内容信息对应的自注意力分数的精准度。
可选的，基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值，包括：
通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
本实施例中，终端通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值。然后，终端将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值相加，得到所有待缓存内容信息对应的自注意力机制损失值。
其中，在交互信息的类别为待缓存内容信息与用户有交互的情况下，该类别对应的自注意力机制的损失函数算法如下：
上式中，σ为sigmoid函数，为属于待缓存内容信息与用户有交互的类别的待缓存内容信息，i为属于该类别的该待缓存内容信息对应的待缓存内容序列中的位次，n为属于待缓存内容信息与用户有交互的类别的待缓存内容信息的数目。
在交互信息的类别为待缓存内容信息与用户没有交互的情况下，该类别对应的自注意力机制的损失函数算法如下：
上式中j≠i，σ是sigmoid函数，为属于待缓存内容信息与用户没有交互的类别的待缓存内容信息，i为属于该类别的该待缓存内容信息对应的待缓存内容序列中的位次，p为属于待缓存内容信息与用户没有交互的类别的待缓存内容信息的数目。
所有待缓存内容信息对应的自注意力机制损失值为将这两个表达式相加以获得总损失：
基于上述方案，通过分析待缓存内容信息与用户是否有交互，计算自注意力机制的损失值，提升了评价每个待缓存内容信息对应的自注意力分数的精准度。
在一个实施例中，如图2所示，提供了一种缓存内容排序示例，该示例包括以下步骤：
步骤S201，获取多个用户在不同时间点请求缓存的待缓存内容序列、各用户对应的用户序列、以及待缓存内容序列对应的多个待缓存内容信息。
步骤S202，针对每个待缓存内容信息，对待缓存内容信息对应的用户在用户序列的位次进行向量化处理，得到待缓存内容信息对应的第一向量，并对待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到待缓存内容信息对应的第二向量。
步骤S203，提取待缓存内容信息中的特征信息，并对特征信息进行向量化处理，得到待缓存内容信息对应的第三向量。
步骤S204，基于待缓存内容信息对应的第一向量、待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
步骤S205，针对每个待缓存内容信息，将待缓存内容信息对应的第一向量、以及待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于相同空间层的第一向量和第三向量，计算待缓存内容信息对应的注意力权重矩阵。
步骤S206，识别每个待缓存内容信息与待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别。
步骤S207，通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
步骤S208，基于待缓存内容信息对应的注意力权重矩阵、以及待缓存内容信息对应的第二向量，通过自注意力机制的对角线算法，计算待缓存特征向量的自注意力分数。
步骤S209，针对每个待缓存内容信息，基于待缓存内容信息，以及待缓存内容序列中待缓存内容信息相邻的下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的欧式距离，并基于待缓存内容信息的自注意力分数，以及下一位待缓存内容信息，计算待缓存内容信息与下一位待缓存内容信息之间的短期用户依赖值。
步骤S210，基于待缓存内容信息对应的用户在用户序列的位次、以及待缓存内容信息对应的待缓存内容序列的位次，计算待缓存内容的欧几里得距离、以及待缓存内容信息的长期用户偏好值。
步骤S211，对待缓存内容信息对应的欧式距离进行归一化处理，得到短期用户依赖值权值，对待缓存内容信息对应的欧几里得距离进行归一化处理，得到长期用户偏好值权值，并基于短期用户依赖值权值、长期用户偏好值权值，对短期用户依赖值、以及长期用户偏好值进行加权求和处理，得到待缓存内容信息对应的最终评分值。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的缓存内容排序方法的缓存内容排序装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个缓存内容排序装置实施例中的具体限定可以参见上文中对于缓存内容排序方法的限定，在此不再赘述。
在一个实施例中，如图3所示，提供了一种缓存内容排序装置，包括：获取模块310、评价模块320、评分模块330和排序模块340，其中：
获取模块310，用于获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；所述用户序列为各所述用户按照请求缓存的时间点的顺序进行排列得到的序列；
评价模块320，用于基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；
评分模块330，用于基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；
排序模块340，用于按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列；所述目标缓存序列用于所述边缘缓存时按照所述目标缓存序列对各所述待缓存内容信息进行缓存处理。
可选的，所述评价模块320，具体用于：
针对每个待缓存内容信息，对所述待缓存内容信息对应的用户在所述用户序列的位次进行向量化处理，得到所述待缓存内容信息对应的第一向量，并对所述待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到所述待缓存内容信息对应的第二向量；
提取所述待缓存内容信息中的特征信息，并对所述特征信息进行向量化处理，得到所述待缓存内容信息对应的第三向量；
基于所述待缓存内容信息对应的第一向量、所述待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
可选的，所述评价模块320，具体用于：
针对每个待缓存内容信息，将所述待缓存内容信息对应的第一向量、以及所述待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于所述相同空间层的第一向量和第三向量，计算所述待缓存内容信息对应的注意力权重矩阵；
基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，并基于所述待缓存内容信息对应的注意力权重矩阵、以及所述待缓存内容信息对应的第二向量，通过所述自注意力机制的对角线算法，计算所述待缓存特征向量的自注意力分数。
可选的，所述评分模块330，具体用于：
针对每个待缓存内容信息，基于所述待缓存内容信息，以及所述待缓存内容序列中所述待缓存内容信息相邻的下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的欧式距离，并基于所述待缓存内容信息的自注意力分数，以及所述下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的短期用户依赖值；
基于所述待缓存内容信息对应的用户在所述用户序列的位次、以及所述待缓存内容信息对应的待缓存内容序列的位次，计算所述待缓存内容的欧几里得距离、以及所述待缓存内容信息的长期用户偏好值；
基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值。
可选的，所述评分模块330，具体用于：
对所述待缓存内容信息对应的欧式距离进行归一化处理，得到所述短期用户依赖值权值，对所述待缓存内容信息对应的欧几里得距离进行归一化处理，得到所述长期用户偏好值权值，并基于所述短期用户依赖值权值、所述长期用户偏好值权值，对所述短期用户依赖值、以及所述长期用户偏好值进行加权求和处理，得到所述待缓存内容信息对应的最终评分值。
可选的，所述评价模块320，具体用于：
识别每个待缓存内容信息与所述待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别；
基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。
可选的，所述评价模块320，具体用于：
通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
上述缓存内容排序装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种缓存内容排序方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现第一方面中任一项所述的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种缓存内容排序方法，其特征在于，所述方法包括：
获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；所述用户序列为各所述用户按照请求缓存的时间点的顺序进行排列得到的序列；
基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；
基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；
按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列；所述目标缓存序列用于所述边缘缓存时按照所述目标缓存序列对各所述待缓存内容信息进行缓存处理。
2.根据权利要求1所述的方法，其特征在于，所述基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，包括：
针对每个待缓存内容信息，对所述待缓存内容信息对应的用户在所述用户序列的位次进行向量化处理，得到所述待缓存内容信息对应的第一向量，并对所述待缓存内容信息对应的待缓存内容序列的位次进行向量化处理，得到所述待缓存内容信息对应的第二向量；
提取所述待缓存内容信息中的特征信息，并对所述特征信息进行向量化处理，得到所述待缓存内容信息对应的第三向量；
基于所述待缓存内容信息对应的第一向量、所述待缓存内容信息对应的第二向量、以及待缓存内容信息对应的第三向量，确定待缓存内容信息对应的待缓存特征向量。
3.根据权利要求2所述的方法，其特征在于，所述通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数，包括：
针对每个待缓存内容信息，将所述待缓存内容信息对应的第一向量、以及所述待缓存内容信息对应的第三向量映射到同一空间层，得到相同空间层的第一向量和第三向量，并通过点注意力机制算法，基于所述相同空间层的第一向量和第三向量，计算所述待缓存内容信息对应的注意力权重矩阵；
基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，并基于所述待缓存内容信息对应的注意力权重矩阵、以及所述待缓存内容信息对应的第二向量，通过所述自注意力机制的对角线算法，计算所述待缓存特征向量的自注意力分数。
4.根据权利要求1所述的方法，其特征在于，所述基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值，包括：
针对每个待缓存内容信息，基于所述待缓存内容信息，以及所述待缓存内容序列中所述待缓存内容信息相邻的下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的欧式距离，并基于所述待缓存内容信息的自注意力分数，以及所述下一位待缓存内容信息，计算所述待缓存内容信息与所述下一位待缓存内容信息之间的短期用户依赖值；
基于所述待缓存内容信息对应的用户在所述用户序列的位次、以及所述待缓存内容信息对应的待缓存内容序列的位次，计算所述待缓存内容的欧几里得距离、以及所述待缓存内容信息的长期用户偏好值；
基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值。
5.根据权利要4所述的方法，其特征在于，所述基于所述待缓存内容信息对应的欧式距离、所述短期用户依赖值、所述待缓存内容信息对应的欧几里得距离、以及所述长期用户偏好值，计算所述待缓存内容信息对应的最终评分值，包括：
对所述待缓存内容信息对应的欧式距离进行归一化处理，得到所述短期用户依赖值权值，对所述待缓存内容信息对应的欧几里得距离进行归一化处理，得到所述长期用户偏好值权值，并基于所述短期用户依赖值权值、所述长期用户偏好值权值，对所述短期用户依赖值、以及所述长期用户偏好值进行加权求和处理，得到所述待缓存内容信息对应的最终评分值。
6.根据权利要求1所述的方法，其特征在于，所述基于各所述待缓存内容信息，计算所有待缓存内容信息对应的自注意力机制损失值，包括：
识别每个待缓存内容信息与所述待缓存内容信息对应的用户的交互信息，并分析每个交互信息的类别；
基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值。
7.根据权利要求6所述的方法，其特征在于，所述基于每个交互信息的类别、以及每个交互信息的类别对应的各待缓存内容信息，通过自注意力机制的损失函数，计算所有待缓存内容信息对应的自注意力机制损失值，包括：
通过每种交互信息的类别对应的自注意力机制的损失函数算法，分别计算每种类别的交互信息对应的子自注意力损失值，并将所有类别的交互信息的待缓存内容信息对应的子自注意力损失值进行汇总，得到所有待缓存内容信息对应的自注意力机制损失值。
8.一种缓存内容排序装置，其特征在于，所述装置包括：
获取模块，用于获取多个用户在不同时间点请求缓存的待缓存内容序列、各所述用户对应的用户序列、以及所述待缓存内容序列对应的多个待缓存内容信息；所述用户序列为各所述用户按照请求缓存的时间点的顺序进行排列得到的序列；
评价模块，用于基于所述用户序列、以及所述待缓存内容序列，将各所述待缓存内容信息进行特征化处理，得到各所述待缓存内容信息对应的待缓存特征向量，并通过自注意力机制对各所述待缓存特征向量进行注意力评价处理，得到每个待缓存特征向量的自注意力分数；
评分模块，用于基于每个待缓存特征向量的自注意力分数、以及各所述用户对应的用户序列，通过相似距离算法，分别计算所述待缓存内容序列中相邻的两个待缓存内容信息对应的待缓存特征向量之间的相似度距离，并基于各所述待缓存内容信息之间的相似度距离，确定每个待缓存内容信息对应的最终评分值；
排序模块，用于按照所述最终评分值从大到小的顺序对所述待缓存内容信息进行排列，得到所有待缓存内容信息对应的目标缓存序列；所述目标缓存序列用于所述边缘缓存时按照所述目标缓存序列对各所述待缓存内容信息进行缓存处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844528.6A CN116881297A (zh) | 2023-07-11 | 2023-07-11 | 缓存内容排序方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844528.6A CN116881297A (zh) | 2023-07-11 | 2023-07-11 | 缓存内容排序方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116881297A true CN116881297A (zh) | 2023-10-13 |
Family
ID=88265677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310844528.6A Pending CN116881297A (zh) | 2023-07-11 | 2023-07-11 | 缓存内容排序方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881297A (zh) |
-
2023
- 2023-07-11 CN CN202310844528.6A patent/CN116881297A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qi et al. | Spatial-temporal data-driven service recommendation with privacy-preservation | |
| Zhuang et al. | Representation learning via dual-autoencoder for recommendation | |
| CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
| CN113657087B (zh) | 信息的匹配方法及装置 | |
| CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
| CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
| Li et al. | From edge data to recommendation: A double attention-based deformable convolutional network | |
| CN116842171A (zh) | 文章推荐方法、装置、计算机设备和存储介质 | |
| CN116932935A (zh) | 地址匹配方法、装置、设备、介质和程序产品 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN116881297A (zh) | 缓存内容排序方法、装置、计算机设备和存储介质 | |
| CN114491296A (zh) | 提案联名人推荐方法、系统、计算机设备及可读存储介质 | |
| CN113360744B (zh) | 媒体内容的推荐方法、装置、计算机设备和存储介质 | |
| CN114168787A (zh) | 音乐推荐方法、装置、计算机设备和存储介质 | |
| CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
| CN117634751B (zh) | 数据要素评估方法、装置、计算机设备以及存储介质 | |
| CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
| CN117319475A (zh) | 通信资源推荐方法、装置、计算机设备和存储介质 | |
| CN117033451A (zh) | 搜索方法、装置、计算机设备和存储介质 | |
| CN117440041A (zh) | 静默服务信息推送方法、装置、计算机设备和存储介质 | |
| CN117112724A (zh) | 搜索推送方法、装置、设备、存储介质和计算机程序产品 | |
| CN118170905A (zh) | 物品知识库构建方法、装置、设备、存储介质和产品 | |
| CN117667999A (zh) | 数据推送方法、装置、计算机设备及计算机可读存储介质 | |
| CN114266647A (zh) | 融合贷款潜力识别和风险控制的方法、装置、设备及介质 | |
| CN115081541A (zh) | 用户相似度的确定方法、装置、计算机设备和存储介质 |
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 |