一种边缘数据缓存方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115934308A(43)申请公布日2023.04.07(21)申请号202211018975.8G06N3/084(2023.01)(22)申请日2022.08.24(71)申请人重庆邮电大学地址400065重庆市南岸区黄桷垭崇文路2号(72)发明人张普宁孙美玉李学芳吴大鹏杨志刚王汝言(74)专利代理机构北京同恒源知识产权代理有限公司11275专利代理师方钟苑(51)Int.Cl.G06F9/50(2006.01)G06F16/9535(2019.01)G06N3/0442(2023.01)G06N3/048(2023.01)权利要求书3页说明书7页附图3页(54)发明名称一种边缘数据缓存方法(57)摘要本发明涉及一种边缘数据缓存方法，属于物联网领域。该方法包括：数据收集；用户搜索记录存储包括边缘服务器存储用户历史查询内容及其搜索反馈数据；边缘推理包括热点实体识别方法，依次构建个人兴趣预测模型和群体兴趣预测模型，根据群组用户兴趣程度实现热点实体的识别；边缘缓存包括通过设计的边缘缓存策略实现对热点实体信息的优先缓存；内容替换：通过设计的内容替换策略完成实体信息的缓存替换；用户搜索：边缘服务器通过直接响应或者与感知设备通信的方式响应用户搜索请求。本发明可有效提高系统缓存性能，提升用户搜索体验。CN115934308ACN115934308A权利要求书1/3页1.一种热点实体识别方法，其特征在于，该方法具体包括以下步骤：S1：存储用户搜索记录：边缘服务器存储管理区域内每个用户u的搜索历史记录其中表示用户u在tj时刻搜索了实体ej；S2：构建个人兴趣模型：边缘服务器根据同一区域内搜索用户的历史请求记录，构建个体兴趣预测模型，并利用该模型预测每个用户对未知实体的兴趣程度获取个人用户u的实体兴趣列表其中N表示实体总数；S3：构建群体兴趣模型：基于个人兴趣预测模型对群组用户的实体兴趣列表进行联合推理，获取群组用户的实体兴趣列表其中表示的实体ei的流行度，M表示用户总数；S4：识别热点实体：对实体流行度设定阈值ρ以区分热点实体和非热点实体，如果则为热点实体，否则为非热点实体。2.根据权利要求1所述的热点实体识别方法，其特征在于，步骤S2中，构建个人兴趣模型，具体包括以下步骤：S21：基于LSTM模型提取用户的每个短期搜索历史记录的高维隐藏特征hI(u)；S22：结合注意力机制获取高维隐藏特征对用户未知实体兴趣的影响程度对高维隐藏特征进行加权融合操作，形成个体用户的短期偏好S23：通过非对称奇异值分解方法提取用户长期搜索历史记录的高维隐藏特征，并作为个体用户长期偏好S24：个体用户兴趣偏好是长期兴趣偏好和短期兴趣偏好的综合反映，通过多层感知机自适应地结合两种偏好获取最终的个人用户兴趣偏好其中为权重因子，σ(·)为sigmoid函数，Wf,bf为全连接网络concat(·)的模型学习参数；然后计算个体用户u对未知实体ei的兴趣程度S25：采用随机梯度下降算法对步骤S21‑S24中的模型进行优化训练，训练损失函数为其中分别为用户偏好预测值和用户偏好真实值，λ||Θ||2为正则化项，λ为权重因子，Θ为所有模型学习参数；最后利用训练好的模型预测个体用户对N个实体的兴趣列表3.根据权利要求2所述的热点实体识别方法，其特征在于，步骤S21具体包括：LSTM模型由遗忘门fk＝σ(xkWf+hk‑1Uf+bf)、输入门ik＝σ(xkWi+ht‑1Ui+bi)、输出门ok＝σ(xkWo+hk‑1Uo+bo)、细胞状态ck＝fk⊙ck‑1+ik⊙φ(xkWc+hk‑1Uc+bc)以及隐藏层hk＝ok⊙φ(ck)构成，其中Wf，Wi，Wo，Uf，Ui，Uo为LSTM网络模型中的权重参数，bf，bi，bo，bc为LSTM模型中的偏置参数；σ(·)，φ(·)分别为sigmoid和tanh激活函数；将用户的每个短期搜索历史记录I(u)作为LSTM输入xk，并将隐藏层的输出作为提取的高维隐藏特征hI(u)。2CN115934308A权利要求书2/3页4.根据权利要求3所述的热点实体识别方法，其特征在于，步骤S22具体包括：用户u在tj时刻搜索的实体ej对未知实体ep预测具有差异化影响，引入注意力机制计算每个交互历史的相关性权重通过获取的注意力分数ak调整LSTM中的细胞状态ck和隐藏层hk：对调整后的高维隐藏向量进行加权平均得到用户短期偏好其中Wx，为模型学习参数，k表示依次遍历集合I(u)中元素时所对应的顺序号，k∈|I(u)|。5.根据权利要求4所述的热点实体识别方法，其特征在于，步骤S23具体包括：用户长期偏好表示为表示对用户每个搜索历史的加权因子，为输入数据的特征映射表示，vl，br为模型学习参数。