基于协同过滤的Web缓存替换算法研究

J4 ›› 2015, Vol. 37 ›› Issue (11): 2128-2133.

基于协同过滤的Web缓存替换算法研究

吴俊龙，杨清

（湖南科技大学计算机科学与工程学院，湖南湘潭 411201）

收稿日期:2014-12-20 修回日期:2015-04-08 出版日期:2015-11-25 发布日期:2015-11-25
基金资助:
湖南省科技计划资助项目（2013FJ4050）

A web cache replacement algorithm based on collaborative filtering

WU Junlong，YANG Qing

（School of Computer Science and Engineering,Hunan University of Science and Technology,Xiangtan 411201,China）

Received:2014-12-20 Revised:2015-04-08 Online:2015-11-25 Published:2015-11-25

摘要/Abstract

摘要：

针对GDSF替换算法中对访问频率缺少预测的不足，提出了一种基于协同过滤的GDSF缓存替换算法(GDSFCF)。该算法考虑了Web对象之间相似性与用户访问时间间隔，运用协同过滤算法生成Web对象的预测访问频率，并采用齐普夫定律参数对GDSF算法的目标函数进行了改进。当需要进行缓存替换时，利用目标函数价值计算缓存空间中的每个Web对象缓存价值，将最小缓存价值的Web对象进行替换。仿真实验结果表明，该算法的命中率HR和字节命中率BHR都有较大提升。

关键词: Web缓存, 协同过滤, 替换算法

Abstract:

To address the shortcoming that the GDSF replacement algorithm cannot predict visit frequency, we propose a collaborative filtering based GDSF web cache replacement algorithm (GDSFCF). Considering the similarities among web objects and the time interval of users’ visits, we use the collaborative filtering technology to generate the predicted visit frequency of each web object, and adopts Zipflike parameters to modify the objective functions of the GDSF algorithm. When cache replacement is performed, the value of the objective functions are used to calculate the caching value of each web object, and the web object with the minimum value will be replaced in the first place. Simulation experiments show that the GDSF-CF algorithm has a higher hit rate and byte hit rate.

Key words: Web cache;collaborative filtering;replacement algorithm

吴俊龙，杨清. 基于协同过滤的Web缓存替换算法研究[J]. J4, 2015, 37(11): 2128-2133.

WU Junlong，YANG Qing. A web cache replacement algorithm based on collaborative filtering [J]. J4, 2015, 37(11): 2128-2133.

[1]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[2]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[3]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[4]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[5]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[6]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[7]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[8]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[9]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[10]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.
[11]	吴浩1，王晓晨1，曾诚1,2，何鹏1,2. 基于异质用户网络嵌入的服务推荐方法研究[J]. 计算机工程与科学, 2019, 41(07): 1244-1250.
[12]	李艳娟，牛梦婷，李林辉. 基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(06): 1101-1109.
[13]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[14]	刘井平，李平. 一种模糊认知的协同过滤算法[J]. 计算机工程与科学, 2018, 40(05): 898-905.
[15]	罗斌，陈翔. 幂律特性在新浪微博个性化推荐中的应用研究[J]. 计算机工程与科学, 2018, 40(04): 731-739.