边缘缓存技术通过在无线网络的边缘节点缓存部分业务内容对象,可以实现部分用户请求的本地响应,减少请求内容的传输时延,提高用户体验,均衡网络负载。内容推荐技术根据各用户对不同主题内容的兴趣和偏好设计个性化的内容推荐列表,引导用户对特定内容进行请求,提升用户对相关业务的依赖性和满意度。因此,将无线网络边缘缓存和内容推荐进行联合设计,能够通过内容推荐引导用户对缓存内容进行请求,从而进一步提升边缘缓存效用和用户业务体验。但是,目前无线网络边缘缓存和内容推荐在内容流行性和用户偏好模型、内容缓存和推荐效用评价指标、联合优化算法性能和成本效益折中等方面仍存在诸多技术挑战。为此,本文研究了无线网络中内容缓存和推荐的联合优化方法,旨在平衡内容缓存和推荐的效用和成本,实现对边缘缓存、内容推荐和内容传输的实时管控。本文的主要工作与创新点总结如下:第一、本文提出了一种基于深度强化学习的内容缓存与推荐联合优化算法来实现对边缘缓存、内容推荐和内容传输的实时管控。首先,本文建立了无线网络中联合边缘缓存的内容传输与推荐联合优化模型,并给出了一个混合整数非线性规划问题。在无线网络中,通过综合考虑不同用户对不同内容的偏好程度、内容从中心服务器到基站的传输时延、用户请求的等待时延、回传链路负载和无线网络中的通信环境等因素,本文以最小化内容的传输时延和回传链路负载为优化目标,建立了联合优化内容缓存和推荐的优化问题。其次,为了解耦联合优化问题中的耦合变量,本文将优化问题分为几个子问题来解决。为了实现边缘动态、实时的内容缓存与推荐决策优化,本文使用深度强化学习算法求解离散变量的决策优化问题,通过设计综合考虑多个因素的环境状态、智能体动作和相应的奖励函数,该算法可以实现边缘动态、实时、高效的内容缓存与推荐联合优化决策,在每个决策单元中无需经过迭代而接近最优解。最后,本文给出了具体的仿真结果来评估本文所提出的联合优化算法的性能,仿真结果表明本文所提出的联合优化算法相比于现有的内容缓存和推荐方法能够在内容传输时延和回传链路负载方面取得一定的性能增益。第二、本文提出了一种基于内容请求数据感知的缓存与推荐联合优化算法。首先,本文基于所考虑的无线网络场景,建立了联合边缘缓存的内容传输与推荐联合优化模型,并给出了优化问题的具体形式。其次,结合用户历史行为数据的特点,本文在边缘使用人工智能技术来更好地学习用户行为和网络特征,通过智能挖掘用户的历史请求数据,从而更好地进行内容请求数据的感知。接着,本文提出了一种基于内容请求数据感知的内容缓存与推荐联合优化算法,该算法采用分布式协同架构,通过将部分计算任务卸载至用户端,进一步提高了网络性能和用户体验。最后,本文给出了具体的仿真结果来评估本文所提出的联合优化算法的性能,仿真结果表明了该算法能够有效提升缓存效率和整体的网络性能。