一种基于学习的基站内容缓存与推荐联合优化方法
网络与互联网体系结构
2018-10-29 v2 机器学习
摘要
推荐系统能够塑造用户需求，可用于提升缓存增益。在本文中，我们在基站联合优化内容缓存与推荐，以最大化缓存增益同时不损害用户偏好。我们首先提出一个模型来刻画推荐对用户需求的影响，该影响由用户特定的心理阈值控制。然后我们构建一个最大化成功卸载概率的联合缓存与推荐问题，这是一个混合整数规划问题。当阈值已知时，我们开发了分层迭代算法来求解该问题。由于用户阈值在实践中未知，我们进一步提出一种 -greedy 算法，通过与用户交互学习阈值来寻找解。仿真结果表明，与有/无推荐的已有工作相比，所提算法提升了成功卸载概率。-greedy 算法能快速学习用户阈值，并取得已知阈值算法性能的 以上。
引用
@article{arxiv.1802.01414,
title = {A Learning-based Approach to Joint Content Caching and Recommendation at Base Stations},
author = {Dong Liu and Chenyang Yang},
journal= {arXiv preprint arXiv:1802.01414},
year = {2018}
}
备注
Accepted by IEEE GLOBECOM 2018