با افزایش چشمگیر حجم داده‌های تولیدی توسط کاربران، نیاز به بهینه‌سازی شبکه به شدت احساس می‌شود. یکی از فناوری‌هایی که در سالیان همواره برای افزایش کارایی شبکه توسط محققان در حال توسعه بوده، فناوری کش است. رویکردهای سنتی کش با توجه به رشد بی‌سابقه شبکه و تنوع کاربران، دیگر کافی نیستند. پدیده کلان داده و نیاز به استخراج الگوهای قابل درک از حجم عظیم داده‌ها، فراهم‌آوری راهکارهای جدید را ضروری کرده‌است. این پژوهش راهکاری مبتنی بر یادگیری ماشین ارائه می‌دهد که به شناسایی دقیق‌تر درخواست‌های آینده کاربران با در نظر گرفتن الگوهای رفتاری و ترتیبی آنها می‌پردازد. روش پیشنهادی بر پایه سیستم‌‌های توصیه‌گر بوده که در نظرگیری ترجیحات شخصی هر کاربر را ممکن می‌سازد و با بهره‌گیری از شبکه‌های عصبی کانولوشن و مکانیزم توجه چندگانه، قادر است با استخراج الگوهای مختلف در رفتار کاربران محتوای محبوب کاربر را به صورت شخصی و بدون داشتن دانش قبلی از محتوای محبوب سراسری شناسایی کند. نتایج نشان می‌دهد که این روش به طور موفقیت‌آمیزی الگوهای ترتیبی و عمومی کاربران را درک می‌کند و نسبت به رویکردهای موجود دقیق‌تر بوده و عملکرد بهتری ارائه می‌دهد.

کلمات کلیدی