语义增强时序图网络用于内容流行度预测
人工智能
2023-03-15 v4 信号处理
摘要
对高清视频流服务与大型神经网络模型（如生成式预训练 Transformer，GPT）的激增需求意味着互联网流量的巨大爆发。为缓解流量压力，已提出具备网内存储的架构，将流行内容缓存于更靠近用户的设备中。相应地，为最大化缓存利用率，设计有效的流行度预测方法变得至关重要。在此方面，利用动态图神经网络（DGNN）模型预测流行度取得了卓越性能。然而，DGNN 模型在处理大多数用户不活跃的稀疏数据集时仍面临困难。因此，我们提出一种改良的时序图网络，称为语义增强时序图网络（STGN），其将额外语义信息附加至用户-内容二部图，并能更好地利用表层拓扑结构背后的隐式关系。在此基础上，我们定制其时序与结构学习模块以进一步提升预测性能。具体而言，为高效聚合内容可能拥有的多样化语义，我们为时序学习模块设计一种用户特定注意力（UsAttn）机制。不同于仅分析类型对内容影响的注意力机制，UsAttn 还考虑语义信息对特定用户的吸引力。同时，对于结构学习，我们将位置编码概念引入基于注意力的图学习，并采用语义位置编码（SPE）函数以促进面向内容的用户关联分析。最后，大量仿真验证了 STGN 模型的优越性并证明了其在内容缓存中的有效性。
引用
@article{arxiv.2301.12355,
title = {Semantics-enhanced Temporal Graph Networks for Content Popularity Prediction},
author = {Jianhang Zhu and Rongpeng Li and Xianfu Chen and Shiwen Mao and Jianjun Wu and Zhifeng Zhao},
journal= {arXiv preprint arXiv:2301.12355},
year = {2023}
}