面向Twitter辅助缓存网络中潜在事件预测的深度学习
信号处理
2021-01-05 v1
摘要
提出了一种新颖的Twitter上下文辅助内容缓存（TAC）框架，通过利用Twitter数据的可读性与海量体积来提升缓存效率。为促进缓存效率，利用采集的带地理标签的Twitter数据及相邻基站（BSs）的地理信息，提出了三种机器学习模型来预测潜在事件与事件热度。首先，我们利用LDA模型在自然语言处理（NLP）中的优势，提出一种用于潜在事件预测的隐狄利克雷分配（LDA）模型。然后，我们构想了带skip-gram嵌入方法的长短期记忆（LSTM）以及带连续skip-gram地理感知嵌入方法的LSTM用于事件热度预测。最后，我们将预测的潜在事件及事件热度与缓存策略相关联。大量实际实验表明：(1) 所提TAC框架优于传统缓存框架，且凭借与公众兴趣的关联能力可应用于实际场景。(2) 所提LDA方法在Twitter数据的自然语言处理（NLP）中保持优势。(3) 相较于传统LDA方法，所提基于skip-gram的LSTM的困惑度更低。(4) 模型评估显示，该模型推文的命中率介于50%至65%之间，且在缓存空间更小的情况下缓存内容命中率高达约75\%。
引用
@article{arxiv.2101.01149,
title = {Deep Learning for Latent Events Forecasting in Twitter Aided Caching Networks},
author = {Zhong Yang and Yuanwei Liu and Yue Chen and Joey Tianyi Zhou},
journal= {arXiv preprint arXiv:2101.01149},
year = {2021}
}
备注
30 pages, 15 figures