[发明专利]一种层次化偏好感知的视频内容缓存方法

权利要求书

1.一种层次化偏好感知的视频内容缓存方法，其特征在于：该方法包括以下步骤：

S1：根据视频的类型偏好和该类型的内容排名，构建层次化用户个人偏好特征模型；

S2：构建最大化系统命中率的预缓存模型；

S3：结合用户不同访问方式下的请求概率和时延信息，构建最小化时延模型，为预缓存中的内容选择合适缓存策略，使得用户请求内容平均时延最小。

2.根据权利要求1所述的一种层次化偏好感知的视频内容缓存方法，其特征在于：所述S1具体包括以下步骤：

S11：将内容库中的内容I分为G个类型，用户u对每种类型的内容都有自己的偏好，定义偏好函数r(u,g)表示用户u对类型g的偏好：

其中，h_u为用户u历史访问内容信息，p(g|h_u)是条件特征概率，即历史信息中包含类型g内容的概率；p(g)是无条件特征概率，表示整个内容集中包含类型g内容的概率；

S12：用户u对内容i的偏好概率α_i,u由内容类型偏好与内容在类型中的偏好P(f)共同决定，因此，通过基于类型偏好的层次结构来定义用户u对内容i的偏好：

其中，r(u,g)表示用户_u对类型g的偏好；P(f)表示内容i在该类型中的偏好；χ表示类型中排名对用户偏好概率的权重因子；α_i,u的取值在[0,1]之间，其值越大，表示用户u对内容i的请求概率越大；

S13：用户对视频内容的偏好由用户对该内容类型的偏好与内容在该类型中的排名共同决定，其中，用户u对类型g的偏好程度取决于该类型中被用户评分的视频内容数量，通过包含类型g的评分视频集合的请求概率p(g)，以及用户历史信息中包含类型g的视频集合的请求概率p(g|h_u)来确定；而用户u对于类型g中的内容偏好P(f)无法直接获取，考虑利用面向时间序列预测的LSTM进行预测；

LSTM网络结构包括输入门x_t、遗忘门f_t、输出门y_t，这些门根据序列中的数据重要程度决定保留还是丢弃；时间t内，LSTM有L个输入x(t)＝[g_u(t),g_u(t+1),...,g_u(t+L-1)]，其中L是时间窗口，确认为LSTM每个单元的输入数据样本的数量；LSTM的理想输出为y(t)＝g_u(t+L)，其中t＝1,2,...,T_d，T_d是数据样本的总数；定义g_u(t+L)为LSTM在时间t的预测输出，预测过程中优化目标是优化LSTM的权重和偏差，使均方根误差RMSE最小，其中RMSE定义为：

其中，ω表示训练次数。