[发明专利]一种基于霍克斯过程和矩阵分解的视频预缓存方法

说明书

本发明提供一种基于霍克斯过程和矩阵分解的视频预缓存方法，包括以下步骤：S1.使用击中率表示在一段时间内的所有请求中，被缓存的请求所占的比例并根据击中率模型用适合于点过程的方式，重新数学化定义了击中率；S2.自激霍克斯过程缓存模型根据设备的自身历史记录，预测所有视频的强度并进行排序，缓存一定大小的视频；S3.互激霍克斯过程缓存模型添加邻居历史点击对设备的影响，预测所有视频的强度，提高击中率；S4.矩阵分解降维模型对S3的参数进行分解降维；S5.使用过程优化算法对互激霍克斯过程缓存模型进行优化，对未来的行为强度进行预测。本发明能够有效预测每个设备在未来对于不同视频的观看强度，通过预缓存强度最大的一些视频，能够显著降低未来网络中的流量，提升用户体验。

技术领域

本发明涉及网络视频缓存领域，更具体地，涉及一种基于霍克斯过程和矩阵分解的视频预缓存方法。

背景技术

随着在线视频播放市场的发展，在线视频播放越来越流行，在线视频观看的人数也越来越多。思科预测，未来，互联网流量中大部分将是视频流量，在移动端，在线视频服务所产生的流量占据互联网流量的比例将从2017年的59％增加到2022年的79％。而与此同时，在线视频的数量也在以惊人的速度增长，据统计，每天将有300小时的视频内容上传到YouTube上，包括UGC、新闻、电视剧、电影等。相应的，互联网中的传输或终端设备也越来越多，所以，为了缓解在线视频带来的沉重流量负担，可以将视频内容缓存在多种互联网设备，包括边缘服务器、机顶盒、个人电脑等设备。

首先，视频缓存最简单地方法便是缓存被访问最频繁的视频，同样也可以称为是最流行的视频。然而，在现实世界中，如何选择最流行的视频至少面临两个挑战：首先，用户兴趣会受到推荐、观众性别、年龄等各种因素的影响，因此，用户的视频请求会随着时间的变化而变化，而且用户请求的视频只是最受欢迎的视频中的小部分。同时，由于每个设备的缓存空间都是有限的，因此，互联网中的设备需要及时丢弃无用的视频并不断更新自己缓存的视频，从而能够及时捕捉用户最新的兴趣并达到较高的缓存效率。其次，互联网中，设备的存储和带宽容量是异构的，它们提供的服务也是多样化的，因此，也不能简单地将某一设备的缓存复制到所有其他设备中。

而近年来，利用视频历史请求记录来预测视频未来流行度的视频缓存方法比较多。其优点是，视频历史流行度可以简单地通过计算视频被请求的频率来获得。然而，预测视频流行度却需要依赖于大量用户请求记录，即我们无法准确预测仅为一个或两个用户服务的设备上的视频的流行度。因此，基于流行度的缓存算法对于边缘设备来说是无用的，它无法捕获多样化的用户兴趣和多样化的视频。而点过程模型能够捕捉到用户的点击动作，将其数学化形式表示，通过自激霍克斯过程能够预测自己未来的点击行为，而通过互激霍克斯过程能够丰富预测列表，预测更加准确。通过利用霍克斯过程，能够有效对每个设备的未来视频观看动作进行预测，从而做到提前缓存，降低网络流量的效果。

发明内容

为了解决现有技术中利用视频历史请求记录无法准确预测多个用户服务的设备上的视频流行度的不足，本发明提供了一种基于霍克斯过程和矩阵分解的视频预缓存方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于霍克斯过程和矩阵分解的视频预缓存方法，包括以下步骤：

S1.使用击中率表示在一段时间内的所有请求中，被缓存的请求所占的比例并根据击中率模型用适合于点过程的方式，重新数学化定义了击中率；

S2.自激霍克斯过程缓存模型根据设备的自身历史记录，预测所有视频的强度并进行排序，缓存一定大小的视频；

S3.互激霍克斯过程缓存模型添加邻居历史点击对设备的影响，预测所有视频的强度，提高击中率；

S4.矩阵分解降维模型对S3的参数进行分解降维；

S5.使用过程优化算法对互激霍克斯过程缓存模型进行优化，对未来的行为强度进行预测。