缓存算法是影响视频缓存服务器性能的重要因素。由于边缘节点计算能力的发展以及用户信息越来越丰富,基于推荐的缓存算法成为新的研究思路。相较于普通的缓存工作方式,基于推荐的缓存算法能够在缓存未直接命中时从缓存服务器已缓存内容中向用户进行推荐,用户以一定的概率从推荐结果中选择一个内容进行观看,使得服务器获得额外的命中机会。推荐结果的合适与否影响了用户从推荐结果中选择内容进行观看的概率,进而影响了缓存系统的命中收益。现有基于推荐的缓存算法在进行推荐时,往往只考虑了用户请求与推荐结果之间的相关性。相较于视频源服务器,缓存服务器中只存储了很少的内容用来进行推荐,因此难以取得相关性足够高的推荐结果,导致用户体验较差;此外,基于相关性的推荐方式也会导致推荐结果冗余程度较高,影响用户体验。为了改善从缓存中推荐时的用户体验,本文提出了面向多样性的推荐缓存算法,在推荐过程中不仅考虑推荐结果的相关性,同时还考虑了推荐结果的多样性,以提供给用户类型丰富的推荐结果,从而改善用户因为推荐结果相关性较低、内容重复带来的推荐体验损失,进而获得更高的缓存收益。相较于现有方法,本文提出了面向多样化推荐的缓存优化问题,并将基于缓存命中率和推荐结果多样性的推荐体验得分作为优化目标。通过最大化用户体验得分进行缓存内容的生成,以优化用户体验。具体来说,本文的主要工作内容如下:（1）提出了基于视频类型的多样化缓存推荐方法,以改善从缓存中进行推荐时的用户体验。在缓存服务器中缓存内容预先确定的情况下,本文刻画了针对用户请求从缓存服务器已缓存内容中进行多样化推荐的模型,以优化用户的推荐体验。为了求解该模型,本文提出的算法同时考虑了内容相关性、类型多样性以及用户偏好三个因素作为影响推荐结果的指标,通过函数映射的方式对各个因素的重要性进行调整,以实现不同的缓存目标。仿真试验结果显示,本算法以一定的缓存命中率下降为代价,极大地提高了推荐结果的多样性,改善了用户体验。（2）提出了基于多样化推荐的缓存生成策略。本文提出了相关性推荐与多样化推荐混合执行的推荐方式,在此基础上提出了缓存生成模型,以满足在不同用户请求数量的情况下最大化整体的用户体验。为了求解该模型,本文提出的算法根据用户请求的数量对缓存服务器运算能力进行分配,让服务器能够以不同的推荐方式处理用户请求。仿真实验结果显示,本文提出的算法能够极大地提高用户体验得分,即使是在对比方法上应用混合推荐策略,也能大幅度提高用户体验得分,改善用户体验。