1.自适应内容缓存方法，其特征在于，包括以下步骤：

1)用户端向请求处理器发送内容访问请求信息；

2)请求处理器提取所述内容访问请求信息的特征参数，并写入本地缓存服务器的原始特征数据库；

3)请求处理器的学习处理模块定期从原始特征数据库中导入数据，并对请求处理器中存储的深度神经网络进行训练；请求处理器利用训练后的深度神经网络预测下一时间窗口的内容流行度，并写入流行度数据库；

4)本地缓存服务器的缓存访问接口根据请求处理器提取的特征参数检查本地缓存服务器是否缓存了请求内容，若请求内容存在，则由本地缓存服务器传输请求内容给用户端；

若请求内容不存在，则转入步骤5；

5)所述本地缓存服务器从上游服务器获取请求内容，并传输至用户端；本地缓存服务器的决策接口根据流行度数据库移除本地缓存服务器中已经存在的流行度最低的内容；

深度神经网络预测下一时间窗口内容流行度的步骤如下：

3.1)获取时间窗口t对应的特征xt和上一时间窗口t‑1对应的隐藏状态ht‑1；

3.2)建立L层的深度神经网络的预测函数，即：(l) (l)

式中，f (x)为第l层深度神经网络的回归函数；α ＞0为第l层深度神经网络回归函数的权重；L为深度神经网络总层数；

其中，第l层深度神经网络的回归函数如下所示：(l) (l) (l)

f (x)＝Θ ht   (2)

(l) (l) (l)

式中，Θ 是学习f (x)的参数；ht 为时间窗口t对应的第l层深度神经网络的隐藏状态；

深度神经网络的复位门rt、更新门zt、隐藏状态ht和候选隐藏状态 分别如下所示：式中，{W,U,b}是GRU单元参数；σ(·)是sigmoid激活函数；⊙表示按单元的乘法；

是复位门的参数， 是更新门的参数， 是

隐藏状态的参数；上标l表示第l层； 是初始隐藏状态；

3.3)计算误差函数 即：

式中，yt是时间窗口t观测到的下一时间窗口的内容真实流行度；xt为时间窗口t的内容流行度； 表示#和*的误差函数；

3.4)基于最小化平均相对平方误差，利用在线梯度下降算法更新深度神经网络的GRU单元参数{W,U,b}和深度神经网络权重GRU单元参数{W,U,b}更新如下：

are computed via backpropagation from式中， 是通过公式(8)反

向传播计算得到的梯度；η为学习率；重置门用于决定应忽略多少过去的信息；更新门帮助模型确定需要将多少过去的信息传递给未来；候选隐藏状态可以方便后续的隐藏状态计算；

深度神经网络权重 更新如下：

式中，β∈(0,1)是折扣因子，κ是平滑噪音数据的门限值参数；

其中，时间窗口t+1时深度神经网络的归一化因子Zt+1如下所示：

3.5)利用更新深度神经网络的GRU单元参数{W,U,b}和深度神经网络权重 后的深度神经网络对下一时间窗口的内容流行度进行预测。

2.根据权利要求1所述的自适应内容缓存方法，其特征在于，所述内容访问请求信息的特征参数包括语义特征和上下文特征。

3.根据权利要求1或2所述的自适应内容缓存方法，其特征在于，移除本地缓存服务器中已经存在的流行度最低的内容的方法为：移除内容优先级队列Q顶部元素；所述内容优先级队列Q存储在本地缓存服务器中；内容优先级队列Q中元素为以流行度升序排列的请求内容。