[发明专利]一种基于模型蒸馏的边缘缓存方法

权利要求书

1.一种基于模型蒸馏的边缘缓存方法，其特征在于：包括以下步骤：

S1：输入数据采集与预处理：用户端采集到的数据连续特征和离散特征，在边缘服务器和云中心分别对这两类特征使用不同的编码方式编码；

S2：教师模型训练：将步骤S1输出的云中心预处理后的数据输入云中心部署的教师模型进行训练；

S3：学生模型训练：将步骤S1输出的边缘基站预处理的数据输入学生模型进行训练，结合教师模型共享的全连接网络层加快训练速度，使用教师模型和学生模型的蒸馏损失加速学生模型的收敛；

S4：群组缓存策略：根据步骤S3中学生模型预测得到的用户的个性化偏好，结合群组用户的活跃度融合成群组用户兴趣偏好，根据边缘服务器的缓存容量选取用户偏好最高的Top-k的内容进行缓存；

S5：优化缓存结果：根据缓存策略，优化缓存的命中率。

2.根据权利要求1所述的基于模型蒸馏的边缘缓存方法，其特征在于：所述步骤S1具体包括以下步骤：

S11：使用独热编码对输入层输入的用户特征E^U和内容特征E^C中的离散特征进行编码，假设任一经过独热编码的离散特征记为f_d：

f_d＝[d₁,d₂,...,d_i,d_||D||]

其中D表示离散特征f_d的类别集合，从而将一个一维的离散特征编码成一个只含有0和1的||D||维向量；输入层经过独热编码后的特征记为F_d：

F_d＝f(E^U,E^C,T_B)

其中f(·)表示离散特征的独热编码；

S12：对采集到的连续特征使用特征嵌入进行编码，得到低维稠密嵌入特征Y＝[y₁,y₂,y₃...,y_k]：

其中，表示过度矩阵的参数，表示输入的稀疏特征，k和m表示参数矩阵的大小，且k＜m，表示偏置向量，从而将高维的稀疏特征转化成低维的稠密向量；输入层经过嵌入编码后的特征记为F_y：

F_y＝g(E^U,E^C,T_C)

其中g(·)表示连续特征的嵌入编码。