1.一种基于用户请求可能性与时空特性的新型内容缓存部署方法，其特征在于，包括以下步骤：S1、定义无线网络缓存模型：

以离散时间t＝{1，2…T}监测用户，其中T是一个有限的时间，S个APs均设置特定场景下的监测周期，用于定期监测区域用户集 即第t个时间段内S个APs监测到的用户集；

假设第t个时间段内检测到的用户数为Mt∈[Mmin，Mmax]，令Kt表示第t个时隙中的用户请求数， 表示有限时间T内的总请求数； 表示时间t内的用户请求集合；

Askt，k＝(fk，xk，tk)，1≤t≤T，1≤k≤Kt，其中fk代表k个请求内容/文件， 表示为被请求文件的特征向量，其中D表示所请求内容的特征维数；用户 在时间t内的请求Askt，k以及请求内容fk的特征xk会被同时记录下来；

S2、首先在时间t内，抽取请求内容fk的特征向量xk以及在用户请求行为模型中学习到的参数向量 去预测用户m的点击可能性 其次，利用请求内容特征向量xk内容特征矢量符号需一致、用户m对请求内容fk的偏好向量mk以及时间特征向量tk去预测用户在第t时间内对第k个请求内容的请求评分向量 最后，利用用户点击可能性预测值与用户偏好 来预测用户请求满意度(RPSA) 由此，区域用户请求满意度为S3、为了方便查看当前的请求内容是否已经缓存在本地，设置一个本地缓存内容集用于当前缓存内容的存储；对于一个请求内容fk，S个APs均需要做出相应的缓存决策，以确定是否将该请求内容缓存在本地；当内容请求到达AP时，缓存实体首先检查所请求的内容是否已经存储在本地存储 如果内容位于 中，则AP将直接服务于用户；否则，将从存储该内容的云文件中心或相邻的块AP中检索内容，并进一步确定是否需要在本地缓存该请求内容；

f表示请求内容，ψt，k表示在时间t内请求内容是否缓存在本地的指示变量，F表示云内容中心的内容集。

2.如权利要求1所述的基于用户请求可能性与时空特性的新型内容缓存部署方法，其特征在于，S3中缓存更新的具体方法为：令 表示一个优先级队列，其每个元素都是一个元组，由当前请求内容fk，该内容相应的初始缓存时间 以及区域RPSAQt，k组成； 以Qt，k和 的升序排列，当缓存更新发生时，在本地缓存中快速定位到需要替换的内容fls；接下来，根据Qt，k与Qls的比较来做出缓存决定，如果Qt，k大于Qls，则本地缓存中的内容fls将被当前请求的内容fk代替，所以，原本地缓存中的[fls，tls，Qls]将会被更新为 为了下次缓存更新的快速定位， 将会重新排序，相反，将不会发生缓存更新；

其中tls为最早的初始缓存时间，Qls为优先级队列中区域RPSA的最小值。

3.如权利要求1所述的基于用户请求可能性与时空特性的新型内容缓存部署方法，其特征在于，S2中用户请求行为模型的预测模型具体如下：S201.当一个请求内容被发起的时候，对于当前区域用户 首先判断该用户之前是否请求过该内容，如果请求过，则 其中，ω是可能性 的衰减系数；如果该用户没有请求过当前内容，则利用以下公式计算：其中 是用户m的请求可能性参数

向量；xk，i是第k个请求内容的第i个维度的特征值； 表示用户m的请求的偏差参数，表示用户m对单个特征的请求可能性参数，并且 表示xk，i的隐藏向量的第l维的请求行为参数；

S202、计算该用户的目标损失函数，计算在请求过程中的累计损失值，即：yk为对应的类别标签；

S203、判断是否需要重启用户请求行为参数学习模型，当 时将会自动启动用户请求行为参数学习模型，相反，则随着请求内容的到来从S201开始重复执行；

m

L(Θm，xk，yk)为针对用户m的逻辑损失函数，ξ表示模型的阈值参数，N 是样本预测期间用户m的样本数；

d:请求内容特征隐向量的维；xk，i表示第k个请求内容的第i个维度的特征值；L为逻辑损失函数；N为采集到的样本数据集。

4.如权利要求1所述的基于用户请求可能性与时空特性的新型内容缓存部署方法，其特征在于，S2中用户请求行为模型的用户满意度学习模型具体如下：令{mm}，{fk}，{tt}分别表示用户，文件和时隙， 表示用户m在时间t对第k个请求内容的满意度/内容评分；假设有M′个用户、K′个内容和T′个时隙，则以(mm；fk；tt)为索引， 为元素值可以构建一个稀疏三维张量 可以表示为以下三个D′维向量的内积：

其中，Mm，Fk分别是用户特征矩阵 和内容特征矩阵 中的第k列向量，而Tt是第t个时隙引入的固有特征向量；考虑到用户对内容评分的随机性，使用以下‑1均值为和方差为α 的高斯分布：

其中 用于指示是否已获取到评分值

‑1

R是向量空间，α 为是高斯分布的方差的倒数； 正态分布函数。

5.如权利要求4所述的基于用户请求可能性与时空特性的新型内容缓存部署方法，其特征在于，使用求解多维参数的Gibbs采样方法进行求解，即：其中，L代表收集的样本数，由此，我们可以获得M，F，T，由此获得用户m在时间t对请求(l)内容fk的评分预测值 和 来自第l个样本，Mm 是用户特征矩阵M的第m个列向量， 表示内容特征矩阵F的第k个列向量，而 是第t个时隙引入的固有特征隐向量；

(l)

α ：对应第l个样本的方差；

其中 表示 的预测分布。