随着用户的数据请求和内容访问不断增多,激增的数据流量对网络容量和回程链路带来了巨大的挑战。研究者们尝试通过增强网络设备的性能、部署更多的基站等方式来解决问题,虽然取得了一定的成效,但仍然无法支持网络性能的长期演进。为了应对这一问题,边缘网络缓存技术应运而生,它将用户可能会访问的内容缓存到离用户更近的边缘设备中,这样用户在请求这些内容时就不需要经过回程链路,从而解放了回程链路的压力,提高了网络性能。然而,边缘设备的存储能力有限,无法存储互联网中的全部内容,因此需要预测用户将来可能会请求的内容,提前缓存起来,这便是缓存方法的主要工作。虽然国内外对缓存方法进行了大量的研究,但仍存在预测准确度低、网络性能表现差等问题,主要原因在于缺乏对数据更加细致的考虑,具体表现在:（1）对于用户变化较大、流动性较高的场景,用户群体在一段时间内变化迅速,用户的行为数据比较稀疏,因此通过挖掘上一时间段内的用户的个人偏好来预测将来热门内容的意义不大,重点在于内容间的相关特征的挖掘,但当前研究内容特征挖掘不充分,且大多把焦点放在模型的预测效果上,忽略了模型的运行时间;（2）对于用户变化较小、流动性较低的场景,用户群体在一段时间内比较稳定,用户的行为数据比较密集,富含用户的偏好信息,用户的偏好也会对内容的流行度造成影响,因此重点在于用户偏好的挖掘,但当前研究往往孤立地考虑用户的短期或长期偏好,而忽略了长短期用户偏好融合对用户偏好建模的影响,同时,考虑用户不同时刻的请求间的时序特征能更精准地捕捉到用户偏好的动态变化,而现有工作在建模时往往忽略了这一重要特性。针对上述问题,本文对边缘网络主动缓存方法展开了深入研究,主要研究内容如下:针对内容特征挖掘不充分和运行时间长的问题,本文提出了一种基于内容局部特征和全局特征的缓存方法CMLGF（Cache Method Based on Local and Global Features）。该方法利用卷积神经网络来挖掘内容的局部特征,引入自注意力机制来捕获内容的全局特征,即各项内容间的依赖关系。然后,通过全连接网络将两者提取到的特征融合起来,最后输出每项内容被请求的概率,并根据概率的大小来决定缓存的内容。基于真实数据集的实验结果验证了该方法在提高预测准确度上的有效性,同时,对比实验结果表明该方法在减少运行时间方面也有很好的表现。针对用户偏好考虑不全面以及时序特征被忽略的问题,本文提出了一种基于用户长短期偏好融合的缓存方法CMLSP（Caching Method Based on the Fusion of Long and Short Preferences）。该方法同时考虑了用户的长期偏好和短期偏好,其中通过度量学习来建模用户的长期偏好,使用自注意力机制来建模用户的短期偏好,而且在短期偏好建模过程中,融入了时序特征,使得模型具备了时序感知能力,捕获用户偏好动态变化的能力更强。然后,通过线性变换将用户长期偏好和短期偏好融合起来。最后通过衡量每项内容与长、短期偏好表示的距离来给每项内容打分,得到最终的结果。基于真实数据集的实验结果验证了该方法在提升网络性能上的有效性。