视频直播、短视频业务的蓬勃发展在丰富人们日常生活的同时,也导致了数据流量爆炸式增长。为了提升用户体验质量,边缘缓存技术将内容提前缓存在离用户较近的边缘节点中,降低用户请求响应时延。由于用户兴趣的时变性和视频内容的多样性,如何精确感知用户的兴趣变化和内容的流行趋势成为实现高效边缘缓存所面临的关键挑战。推荐系统技术能够基于海量数据分析用户个性化用户偏好,为用户提供“千人千面的”的个性化推荐服务。因此,本文基于推荐系统方法对边缘缓存优化展开了深入的研究。针对由于用户兴趣时变性所导致的用户兴趣偏好预测难的问题,本文基于用户行为特征提出了用户兴趣挖掘与进化模型。该模型利用门控循环单元从用户历史观影序列中剔除数据噪声,提取主要兴趣偏好,进一步利用带有注意力更新机制的门控循环单元分析用户主要兴趣的进化过程,从而获得用户兴趣偏好预测结果。基于该结果,进一步将用户偏好、用户兴趣权重和内容关联信息进行融合,指导边缘缓存内容优化。实验结果表明,本文所提模型对用户兴趣的预测准确率达到80%,相比于基于用户偏好的缓存方法,缓存命中率和用户命中率平均提高了21%和16%。针对用户兴趣与内容热度之间的差异性问题,本文提出了一个多任务学习模型,该模型通过设置不同的主/辅任务,考虑个体用户兴趣偏好与全局内容热度对用户请求行为的影响,进一步利用融合层和异化层学习多任务间的耦合性和差异性,同步预测用户的兴趣偏好与内容的全局热度。在此基础上,引入群组用户活跃度和内容正反馈等社会属性,将个性化特征和全局特征转化为群组特征,从用户群体的角度为边缘网络提供更为高效的内容缓存推荐。实验结果表明,本文所提模型使多任务预测的准确率平均提升12%,相比于最小频率使用策略,缓存命中率和用户命中率平均提高了34%和32%。