[发明专利]一种边缘计算环境下的视频热度预测方法

说明书

本发明提供一种边缘计算环境下的视频热度预测方法，能够提高视频热度预测的准确率。所述方法包括：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。本发明涉及边缘计算领域。

技术领域

本发明涉及边缘计算领域，特别是指一种边缘计算环境下的视频热度预测方法。

背景技术

互联网的数据规模越来越庞大，给数据生产者和数据消费者都带来了极大的难题，面对海量的流媒体数据“信息过载”现象，如何为用户推荐高质量、感兴趣的视频内容就尤为重要。

视频热度预测的作用就是帮助用户在海量的数据中高效、快速的找到自己需要的信息，为用户提供更加便捷的体验，其目标是根据拥有相同偏好习惯(兴趣)的用户群(或者项目群)为基础，利用这个用户群(或者项目群)中的信息为目标用户产生推荐结果。

由于目前流媒体数据包含的内容越来越多，用户的喜好和追求也变得多种多样。同时庞大的数据流量对数据中心也造成巨大的负担。边缘计算技术不但减轻了从用户与数据源向云服务册传输所需数据而带来的网络带宽压力，还可以大大节省云端宝贵的计算资源。但是，由于边缘节点的计算存储资源有限，无法准确地预测热点视频。

发明内容

本发明要解决的技术问题是提供一种边缘计算环境下的视频热度预测方法，以解决现有技术所存在的边缘节点的计算存储资源有限，无法准确地预测热点视频的问题。

为解决上述技术问题，本发明实施例提供一种边缘计算环境下的视频热度预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。