通过学习用户偏好设计缓存使能 D2D 通信的缓存策略
信息论
2018-01-04 v2 math.IT
摘要
以往在设计缓存策略的工作中，未区分内容流行度与用户偏好。在本文中，我们阐明了通过利用个体用户发送请求的行为所能获得的缓存增益。在展示这两个概念之间的联系之后，我们提出了一个从内容流行度合成用户偏好的模型。随后，我们利用用户偏好和活跃度信息优化缓存策略，以最大化缓存使能设备到设备通信的卸载概率，并开发了一种低复杂度算法来求解。为了学习用户偏好，我们借助概率潜在语义分析对用户请求行为进行建模，并通过期望最大化算法学习模型参数。通过分析 Movielens 数据集，我们发现用户偏好之间的相似度较低，且每个用户的活跃度与主题偏好随时间变化缓慢。基于这一观察，我们引入了一种基于先验知识的用户偏好学习算法，能够缩短学习时间。仿真结果表明，无论是在真实数据集还是经真实数据集验证的合成数据上，基于用户偏好的缓存策略相比现有的基于内容流行度的策略均具有显著的性能增益。
引用
@article{arxiv.1707.08409,
title = {Caching Policy for Cache-enabled D2D Communications by Learning User Preference},
author = {Binqiang Chen and Chenyang Yang},
journal= {arXiv preprint arXiv:1707.08409},
year = {2018}
}