Introduction

作者主要是描述背景以及问题

  1. 背景
    视频流量大，以及缓存的重要性
  2. 问题
    1. 被动缓存有缺点，其原因在于只能等有用户请求之后才能决定是不是缓存，作者认为缓存节点做出缓存决策是需要时间的，因此在决策期间可能会错过用户的请求。（这点损失到底有多大？是不是一个值得深挖的问题）
    2. 基于机器学习的用户未来需求预测需要很多参数来配置，参数变化会对预测的准确性产生很大的影响。
    3. 矩阵分解方法，SVD方法预测的用户对某电影的评分经常会出现负数，作者认为不符合现实情况。单纯的NMF虽然会解决SVD出现负数的问题，但是仍然没有解决用户对不流行的电影的评分过高的问题

System Model AND Problem Formulation

  1. 符号定义
    1. 用户集合[latex]U=\lbrace u_1,u_2,...,u_N\rbrace[/latex]
    2. 电影集合[latex]V=\lbrace v_1,v_2,...,v_M\rbrace[/latex]
    3. t时刻的请求集合[latex]Req(t)=\lbrace req_1(t),req_2(t),...,req_k(t)\rbrace[/latex]，其中[latex]req_k(t)=<u_n,v_m,i_i>[/latex]，i指第i个SBS
    4. 用户对电影的评分矩阵R，其中元素为[latex]r(u_n,v_m)[/latex]
  2. 显然在评分矩阵中，很多都是空值。通常会采用SVD等方法对空值进行填充。但在本文中，作者认为SVD不好，而是采用了NMF的方法。