通信技术的不断演进推动了数据业务的多元化发展和数据流量的爆炸式增长。边缘缓存技术通过缩短服务内容与用户之间的距离,有效降低了请求响应时延,提升了网络整体效益。然而,由于缓存容量的有限性以及内容流行度的时变性,如何尽可能多地为用户提供按需服务成为边缘缓存技术的关键挑战。基于此,本文聚焦于用户兴趣偏好对于内容流行度的影响,从用户特征、内容特征及上下文信息出发,研究基于群组兴趣偏好的边缘缓存方法,具体研究内容如下:首先,通过学习用户与内容特征之间的异构性对缓存内容流行趋势的影响,提出了一种基于群组兴趣偏好挖掘的缓存放置策略。该策略利用多层感知机和因式分解机在高阶特征和低阶特征挖掘方面的优势,实现用户和内容特征的深度分析与融合,从而获得用户个性化兴趣偏好预测模型,有效提高了用户兴趣偏好预测的准确性。在此基础上,进一步分析用户个性化兴趣偏好对群组兴趣偏好影响,基于自适应相似度权重方法构建群组兴趣偏好预测模型,为边缘内容缓存放置提供科学指导。其次,通过学习上下文信息对用户兴趣偏好的隐式影响,提出了一种基于群组用户社交属性挖掘的缓存更新和推荐策略。该策略通过分析不同社交距离的邻居对用户个体兴趣偏好的影响,基于图表示学习方法获得边缘网络用户的社交属性特征表示。在此基础上,进一步利用注意力机制结合上下文信息探究用户与群组特征之间的异同,获得用户多样性和内容多样性融合的群组特征表示。然后,根据群组和用户特征表示,利用神经网络分别构建群组和用户兴趣偏好预测模型,指导缓存更新和推荐过程的联合优化。仿真结果表明,所提缓存放置策略与神经网络模型相比,分别在缓存命中率和归一化折损累计收益性能上提升了20%和15%;提出的缓存更新和推荐策略各模块均有效提升缓存服务性能,且与其他神经网络、群组兴趣预测模型相比分别在缓存命中率和归一化折损累计收益性能上提升了16%和20%。