移动社交网络的深度学习缓存：2016年美国大选的Twitter分析

随着便携设备的普及，人们通常通过无线网络访问社交媒体，如Twitter和Facebook。因此，数据传输速率对最终用户至关重要。在本研究中，我们讨论了在异构小区网络中基于上下文的数据缓存问题，以减少服务延迟，以及设备到设备（D2D）和设备到基础设施（D2I）如何改善系统社会福利。在数据缓存模型中，我们探索三种类型的缓存实体：宏基站、小基站和最终用户设备。我们提出了一种长短期记忆（LSTM）深度学习模型来进行数据分析并提取数据中的信息内容。通过了解数据对缓存实体的兴趣，我们可以缓存最有可能被最终用户请求的数据，以减少服务延迟。在模拟中，我们展示了我们提出的算法能够有效减少2016年美国总统选举期间的服务延迟，当时移动用户急于通过无线网络请求选举信息。与其他机制相比，如使用一对多匹配算法或不使用D2D通信技术，我们提出的算法在设备性能和系统社会福利方面明显改善。