(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210667981.X (22)申请日 2022.06.14 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 王鹏飞　秦甜　张强　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 王海波 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/957(2019.01) G06F 16/9536(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于网络边缘知识图谱的主动内容缓 存方法 (57)摘要 本发明提供了一种基于网络边缘知识图谱 的主动内容缓存方法， 属于无线通信技术领域。 本发明提出的缓存方法能够学习内容的流行程 度， 主动将用户偏好的内容缓存在边缘服务器 中。 本发明将知识图谱信息和序列信息相融合， 不仅考虑了用户历史请求的内容片段对未来偏 好的影响， 也考虑了与用户存在社交关系的好友 对用户潜在偏好的影响。 本发明可以有效提高缓 存内容的准确性和多样性， 有效地提高了用户满 意度、 降低了通行负载、 增大了命中率， 更好的激 励参与者使用移动终端设备向边缘服务器发送 内容请求。 权利要求书3页 说明书6页 附图5页 CN 115129888 A 2022.09.30 CN 115129888 A 1.一种基于网络边缘知识图谱的主动内容缓存方法， 其特征在于， 该方法包括以下步 骤： 步骤一： 用户使用的移动终端设备负责向边缘服务器发起访 问请求， 边缘服务器通过 网络侧收集信息， 该信息包括用户向边缘服务器发起的访问请求和用户所提供的社交网络 服务信息， 其中社交网络服 务信息中包 含了大量与用户社交相关的数据； 步骤二： 偏好预测任务的用户进入边缘服务器的覆盖范围内， 此时边缘服务器根据任 务需求将收集到的与用户社交相关的数据保存； 步骤三： 管理者基于知识图谱对步骤二收集到的与用户社交相关的数据进行数据 预处 理， 然后结合深度学习算法建立用户偏好预测模型， 将预处理得到的数据输入该模型进行 训练， 并在训练完成后保存 模型参数； 步骤四： 将用户偏好预测模型预测出的多样性准确数据缓存在边缘服务器的数据库 中， 用以完成用户的访问请求。 2.根据权利要求1所述的一种基于网络边缘知识图谱的主动内容缓存方法， 其特征在 于， 所述步骤三中， 数据预处 理的具体步骤如下： (1)利用与用户社交相关的数据构建知识子图谱， 该知识子图谱中的实体包含用户、 用 户好友和历史访问内容， 其中用户与用户好友之间的关系为好友关系， 用户及用户好友与 历史访问内容之间的关系为访问关系； 采用TransR嵌入方法对知识图谱做预训练， 获取低 维稠密嵌入 向量； 具体来说， 对于给定的三元组(h,r,t)， 将实体空间中的实体通过矩阵Mr 投影到关系r的空间， 头实体向量h和尾实体向量t的映射分别为： hr＝Mrh tr＝Mrt TransR嵌入方法损失函数为： 其中， l1/l2表示用l1或l2范数来衡量hr和tr的靠近程度； (2)为了进一步挖掘 知识图谱中的图结构信息， 采用简化的GraphSAGE卷积神经网络对 预训练后的知识图谱进行图卷积操作； 该方法取消了控制采样邻居数量的操作， 利用平均 聚合函数， 将目标实体的一阶邻居、 二阶邻居进行聚合操作， 生成目标实体的卷积嵌入向 量， 进而表示一个知识图谱中所有实体的卷积嵌入向量； 卷积方法的公式如下： hd←σ(W·MEAN(hk‑1)) 其中， MEAN(x)表示求解x的平均值； W表示第一层参数； k表示知识图谱阶数； σ 表示非线 性激活函数； (3)经过上述操作后得到知 识子图谱中用户实体的嵌入向量pi、 用户好友实体的嵌入向 量{p(i， 1)， p(i， 2)， ...， p(i， m)}和历史请求内容实体的嵌入向量{q(i， 1)， q(i， 2)， ...， q(i， n)}。 3.根据权利要求1或2所述的一种基于网络边缘知识图谱的主动内容缓存方法， 其特征 在于， 所述 步骤三中， 建立用户偏好预测模型的具体步骤如下： (1)构建用户 ‑好友模块： 该模块采用了一个好友级别的注意力机制， 旨在为用户的不 同好友分配适当的权重， 自动获取不同好友对用户偏好的影响； 该模块的输入为用户嵌入 向量pi和用户的好友嵌入向量{p(i， 1)， p(i， 2)， ...， p(i， m)}， 一个好友级别的注意力分数定义权　利　要　求　书 1/3 页 2 CN 115129888 A 2如下： 其中， W1、 W2、 b1为第一层参数， 为第二层参数； 为RELU函数； 通 过Softmax对上述好友级别的注 意力分数进 行归一化， 得到好友级别的注 意力权重， 理解为 不同好友对用户偏好影响的贡献不同： 得到好友级别的注意力权 重后， 用户的最终嵌入向量Pi的计算如下： Pi＝pi+∑mα(i， m)p(i， m) 采用加法策略将用户不同好友的影响融入到用户自身的偏好， 得到用户最终的嵌入向 量Pi； (2)构建内容序列模块： 该模块针对用户在过去一段时间的请求内容可能会对用户未 来的请求内容产生影响， 采用卷积神经网络和自注意力机制分别对用户访问过的内容序列 进行处理， 旨在获取不同内容之间的依赖性； 该模块的输入为用户在过去一段时间内请求 的内容序列的嵌入向量{q(i， 1)， q(i， 2)， ...， q(i， n)}， 其中该内容序列的嵌入向量按照时间顺 序排列； 从内容序列的嵌入向量中提取一段时间t0内的L个连续内容片段的嵌入向量 预测用户接下来 的D个连续内容片段的嵌入向量， 该操作通过 在内容序列的嵌入向量上滑动L+D大小的窗口来实现， 因此每 个窗口会产生 一个训练实例； 该模块的卷积层有N个卷积核， 每个卷积核会对L个连续内容片段的嵌入向量构 成的矩 阵进行从上到下的卷积运 算， 运算结果表示 为： 其中 为第G次卷积运 算的结果； 然后对cK执行最大池化操作， 输出 结果为： o＝{max(c1)， max(c2)， ...， max(cN)} 该模块的自注意力层旨在获取内容之间的依赖关系， 对于L个连续内容片段的嵌入向 量构成的矩阵， 采用基于tanh激活函数的前馈神经网络， 计算矩阵中每个内容的嵌入向量 对其余内容的嵌入向量的注意力分数： 其中， W3、 W4、 b2为第一层参数， 为第二层参数； 通过Softmax对上述注意力 分数进行 归一化， 得到最终的注意力权 重： 利用该注意力权 重得到了一个新的融合表示， 如下式所示：权　利　要　求　书 2/3 页 3 CN 115129888 A 3