移动边缘缓存是移动边缘计算（Mobile Edge Computing,MEC）中的核心技术,可以有效缓解移动网络负载压力。现有的大多数工作在制定缓存策略时仅考虑单一用户的位置或访问偏好特性,忽略了用户间的相似关系,导致缓存策略制定难度增大、缓存针对性不强。然而,现实场景中移动用户间由于具有一定的社交关系和相似的网络访问行为存在群体特征,客观上形成了移动社区网络。挖掘移动社区网络中用户群体结构,针对具有相似兴趣或行为的用户群体在群体用户经常活动的位置缓存感兴趣的内容不仅可以提升资源利用率,还可以更好地满足用户的访问需求、极大地缓解链路压力。论文的主要贡献和内容如下:（1）对于传统的社区发现（Community Detection,CD）算法难适用于包含多种实体和关系的移动社区网络的问题,论文提出了一种融合多维信息的移动社区发现算法（BNMF-NF）。首先通过用户通话记录（Call Detail Record,CDR）和移动网络访问记录（Usage Detail Record,UDR）进行了用户行为描述,分析了移动用户的社交行为和网络访问行为,构建了基于用户行为的移动社区网络模型。根据用户社交关系、访问位置偏好关系和访问内容主题偏好关系分别构建了社交相似网络、位置偏好相似网络和主题偏好相似网络,采用网络融合（Network Fusion,NF）技术融合多维相似关系构建用户行为相似网络,并改进了有界非负矩阵分解（Bounded Nonnegative Matrix Factorization,BNMF）算法来对用户行为相似网络进行矩阵分解,从而确定最优的用户群体结构。（2）将移动社区网络中运用BNMF-NF社区发现算法发现的用户群体结构应用于移动边缘缓存中,提出了一种基于群体行为的移动边缘计算协同缓存方法（Group Behavior-Based Collaborative Caching for Mobile Edge Computing,GBCC）。首先建立了基于群体的协同缓存模型,分析了本地优先访问的访问时延,并以最小化的平均访问时延为目标建立多约束优化问题,该问题是一个NP难问题。论文设计了启发式搜索算法对问题进行求解,将用户群体结构映射到基站构建了边缘节点缓存协作域,并提出了缓存增益度量标准,以贪心迭代策略对问题求局部最优解从而实现缓存内容的放置位置优化。论文选取某市电信运营商提供的匿名移动网络访问记录数据集和生成的通话记录数据集作为数据源并进行筛选处理,对提出的BNMF-NF社区发现算法和GBCC协同缓存方法进行仿真实验。结果表明,论文提出的社区发现算法能够有效发现移动社区网络中具有相似行为特征的用户群体结构,并且提出的协同缓存方法能够有效降低平均访问时延、提高整体缓存命中率。