基于图协同过滤模型的D2D协作缓存策略

针对设备到设备（D2D）缓存中基站信号覆盖范围有限导致的难以获得足够数据来预测用户偏好的问题，提出了一种基于图协同过滤模型的D2D协作缓存策略。首先，构建图协同过滤模型，通过多层图卷积神经网络捕捉用户-内容交互图中的高阶连通信息，并利用多层感知机学习用户和内容之间的非线性关系来预测用户偏好。其次，为了最小化平均访问时延，综合考虑用户偏好和缓存时延收益，将缓存内容放置问题建模为马尔可夫决策过程模型，设计基于深度强化学习的协作缓存算法进行求解。仿真实验表明，与现有的缓存策略相比，所提缓存策略在不同的内容种类、用户密度和D2D通信距离参数下均取得了最优的性能效果。