[發(fā)明專利]緩存預(yù)取方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810016027.8
• 申請(qǐng)日: 2018-01-08
• 公開（公告）號(hào): CN110018970B
• 公開（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 王杰
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06F12/0862
• 分類號(hào): G06F12/0862
• 代理公司: 北京三高永信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11138
• 代理人: 劉映東

1.一種緩存預(yù)取方法，其特征在于，所述方法包括：

獲取前一時(shí)刻緩存訪問序列；

獲取訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型，所述訓(xùn)練后的RNN模型通過歷史訪問數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到，其中，所述歷史訪問數(shù)據(jù)為歷史訪問記錄中訪問頻率最高的數(shù)據(jù)，所述相鄰數(shù)據(jù)包括與當(dāng)前訪問數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)；

基于所述前一時(shí)刻緩存訪問序列，通過所述訓(xùn)練后的RNN模型預(yù)測緩存的預(yù)取數(shù)據(jù)；

當(dāng)通過所述歷史訪問數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

或者，當(dāng)通過所述相鄰數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

或者，當(dāng)通過所述歷史訪問數(shù)據(jù)及所述相鄰數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

所述U、W是所述訓(xùn)練后的RNN模型的權(quán)重參數(shù)，所述f表示激活函數(shù)，所述x_t是t時(shí)刻的輸入，所述s_t-1是t-1時(shí)刻隱藏層神經(jīng)元的輸出，所述m_t-1表示t-1時(shí)刻之前訪問頻率最高的數(shù)據(jù)，所述n_t表示與t時(shí)刻訪問數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)，所述V、Z表示權(quán)重。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述前一時(shí)刻緩存訪問序列，通過所述訓(xùn)練后的RNN模型預(yù)測緩存的預(yù)取數(shù)據(jù)，包括：

當(dāng)所述前一時(shí)刻緩存訪問序列未出現(xiàn)在預(yù)先獲取到的字典樹中時(shí)，通過所述訓(xùn)練后的RNN模型預(yù)測緩存的預(yù)取數(shù)據(jù)；

其中，所述字典樹的深度固定，且從所述字典樹的根節(jié)點(diǎn)到所述字典樹的葉子節(jié)點(diǎn)依次為歷史訪問序列。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

當(dāng)所述前一時(shí)刻緩存訪問序列出現(xiàn)在預(yù)先獲取到的字典樹中時(shí)，提取所述字典樹中對(duì)應(yīng)的葉子節(jié)點(diǎn)的數(shù)據(jù)作為緩存的預(yù)取數(shù)據(jù)；

其中，所述字典樹的深度固定，且從所述字典樹的根節(jié)點(diǎn)到所述字典樹的葉子節(jié)點(diǎn)依次為歷史訪問序列。

4.根據(jù)權(quán)利要求1至3中任一所述的方法，其特征在于，所述方法還包括：

收集訓(xùn)練數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)包括所述歷史訪問數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)；

將所述訓(xùn)練數(shù)據(jù)通過Word?2?vec方式編碼，得到編碼結(jié)果；

通過所述編碼結(jié)果對(duì)RNN模型進(jìn)行訓(xùn)練，得到所述訓(xùn)練后的RNN模型。

5.一種緩存預(yù)取裝置，其特征在于，所述裝置包括：

第一獲取模塊，用于獲取前一時(shí)刻緩存訪問序列；

第二獲取模塊，用于獲取訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型，所述訓(xùn)練后的RNN模型通過歷史訪問數(shù)據(jù)及相鄰數(shù)據(jù)中的至少一種數(shù)據(jù)訓(xùn)練得到，其中，所述歷史訪問數(shù)據(jù)為歷史訪問記錄中訪問頻率最高的數(shù)據(jù)，所述相鄰數(shù)據(jù)包括與當(dāng)前訪問數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)；

預(yù)測模塊，用于基于所述前一時(shí)刻緩存訪問序列，通過所述訓(xùn)練后的RNN模型預(yù)測緩存的預(yù)取數(shù)據(jù)；

當(dāng)通過所述歷史訪問數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

或者，當(dāng)通過所述相鄰數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

或者，當(dāng)通過所述歷史訪問數(shù)據(jù)及所述相鄰數(shù)據(jù)訓(xùn)練得到所述訓(xùn)練后的RNN模型時(shí)，所述訓(xùn)練后的RNN模型的隱藏層神經(jīng)元的輸出如下：

；

所述U、W是所述訓(xùn)練后的RNN模型的權(quán)重參數(shù)，所述f表示激活函數(shù)，所述x_t是t時(shí)刻的輸入，所述s_t-1是t-1時(shí)刻隱藏層神經(jīng)元的輸出，所述m_t-1表示t-1時(shí)刻之前訪問頻率最高的數(shù)據(jù)，所述n_t表示與t時(shí)刻訪問數(shù)據(jù)相鄰預(yù)定空間距離內(nèi)的數(shù)據(jù)，所述V、Z表示權(quán)重。