[发明专利]基于深度学习的内容流行度预测及边缘缓存方法

摘要

本发明公开了一种基于深度学习的内容流行度预测及边缘缓存方法，包括如下步骤：(1)对内容流行度数据进行预处理；(2)线下训练神经网络，得到流行度预测模型以及内容分类器；(3)由内容分类器得到内容所属类别，使用相应类别的预测模型在线预测内容流行度；(4)比较所有内容的流行度预测值，做出相应的缓存决策。本发明可以在只使用内容请求次数这一特征的情况下，使边缘节点在线预测不同内容的流行度并实时追踪其流行度变化，并基于预测的内容流行度做出对应的缓存决策，从而确保边缘节点持续缓存热点内容，获得渐近于理想的缓存方法的缓存命中率。

主权项

1.基于深度学习的内容流行度预测方法，其特征在于：包括以下步骤：S1：选定一个初始内容类别，在该初始内容类别中随机选取一个内容的流行度序列数据作为训练数据；S2：构建基于双向长短期记忆神经网络的流行度预测模型并基于训练数据对其进行训练，得到该内容类别对应的流行度预测模型，所述流行度预测模型，以内容在当前时隙经过预处理的流行度作为输入，以该内容在下一时隙的流行度作为输出；S3：基于流行度预测模型预测对应的内容类别中内容的流行度，得到该内容类别中的每个内容的流行度预测误差，当该内容的流行度预测误差大于设定的预测误差阈值，将该内容从原类别中划分到一个新的内容类别；S4：遍历完当前内容类别中的所有内容后，产生一个新的内容类别，在该新的内容类别中随机选取一个内容的流行度序列数据作为训练数据；针对该新的内容类别，训练双向长短期记忆神经网络，得到新的内容类别的流行度预测模型；S5：重复上述S3‑S4产生新的内容类别和重新训练预测模型的过程，直到得到设定数目的内容类别以及对应的流行度预测模型；S6：构建基于神经网络的内容分类器，该内容分类器的训练集为初始内容类别中的所有内容及其对应的内容类别标签，所述内容分类器，以内容预处理后的流行度趋势信息矢量为输入，以该内容的内容类别为输出；S7：对每一个内容使用内容分类器得到其所属内容类别，由对应内容类别的流行度预测模型获得该内容的流行度预测值。