缓存网络中联合缓存与推荐的近似算法
网络与互联网体系结构
2022-04-12 v2
摘要
诸如Netflix和YouTube等流媒体平台力求为其用户提供高流媒体质量（SQ），如码率、延迟等方面。同时，这些平台的内容消费中有显著份额受推荐严重影响。在此情形下，用户的总体体验既是用户对推荐内容兴趣（即推荐质量（RQ））的产物，也是该内容SQ的产物。然而，影响SQ的网络决策（如缓存）通常未考虑推荐系统的行为。同样，推荐的选择独立于潜在的传输质量。在本文中，我们定义了流媒体体验度量（MoSE），其捕捉了SQ与RQ之间的基本权衡。我们旨在通用缓存网络中联合优化缓存与推荐，以最大化该度量为目标。这与近期内容提供商同时充当内容分发网络（CDN）所有者的趋势一致，意味着同一实体可能同时处理缓存与推荐决策。我们形式化了该联合优化问题，并证明其可被近似至常数因子。据我们所知，这是首个针对该联合问题获得常数近似比的多项式时间算法。此外，我们的数值实验表明，相较于基线方案和文献中已有算法，我们的算法具有显著的性能提升。
引用
@article{arxiv.2006.08421,
title = {An approximation algorithm for joint caching and recommendations in cache networks},
author = {Dimitra Tsigkari and Thrasyvoulos Spyropoulos},
journal= {arXiv preprint arXiv:2006.08421},
year = {2022}
}