[发明专利]一种边缘计算环境下的视频热度预测方法

权利要求书

1.一种边缘计算环境下的视频热度预测方法，其特征在于，包括：

边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群，每个集群为兴趣相近的边缘节点用户集合；

对每个集群分别进行数据脱敏，得到每个集群中用户行为时间序列列表；

将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户；

其中，TOP-N推荐列表为：视频热度为前N名的预测列表；

其中，所述对每个集群分别进行数据脱敏，得到每个集群中每个用户的历史行为时间序列列表包括：

针对每一集群，根据边缘节点用户ID进行聚合，并按照时间戳进行聚合排列，对边缘节点用户ID脱敏后，得到M个集群的历史行为时间序列列表；

其中，历史行为时间序列列表包括：以时间戳进行排列的用户行为记录列表；

其中，用户行为记录列表为{NodeID：VideoID1；VideoID2；…；ViedeoIDn}，NodeID表示边缘节点用户ID，VideoID表示视频ID，n为用户行为记录列表中视频实例的数量；

其中，所述将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户包括：

将每个集群对应的用户行为记录列表分别作为输入，对长短期记忆循环神经网络分别进行训练；

将softmax层作为长短期记忆循环神经网络的输出层，在长短期记忆循环神经网络输出层进行softmax变换，得到每个集群中所有视频的热度概率分布；其中，softmax为归一化多分类函数；

根据得到的热度概率分布，生成视频热度预测的TOP-N推荐列表，将其分发至每个对应的边缘节点用户。

2.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，在边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，M个兴趣相近的边缘节点用户集群之前，所述方法还包括：

在边缘节点中，对节点用户的历史行为记录数据进行归一化处理。

3.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，每个边缘节点用户的历史行为记录数据包括：边缘节点用户ID、视频类型、视频ID、时间戳、国家地区、上映时间和综合影响力，其中，ID表示唯一标识符。

4.根据权利要求3所述的边缘计算环境下的视频热度预测方法，其特征在于，所述边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群包括：

边缘服务器将边缘节点ID、视频类型、国家地区、上映时间和综合影响力作为极限学习机的输入，利用极限学习机将边缘节点用户分为M类，得到M个集群。

5.根据权利要求3所述的边缘计算环境下的视频热度预测方法，其特征在于，所述综合影响力由多项评估指标的加权平均值确定；

所述多项评估指标包括：豆瓣影评分数、微博搜索指数、演员影响力、导演影响力中的一种或多种。

6.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，在得到相应集群中每个用户的历史行为记录列表之后，所述方法还包括：

若边缘节点用户的用户行为记录列表是不等长的，则对用户行为记录列表进行定长处理。

7.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，边缘服务器替换为云服务器。