随着互联网技术和移动通信技术的不断发展,移动设备数量呈现快速增长的趋势,伴随而来的则是网络数据流量的爆炸式增长。在这海量的网络流量中,视频业务数据流量占据了超过一半的比例。不断出现的新型业务一方面要求网络可以承载更高质量的视频,加快了网络中视频业务流量的增长速度,而另一方面这些新型业务对视频内容访问的延时要求不断提升。快速增长的视频流量与低延时的要求向当前的网络结构以及部署在网络节点上的各种算法提出了新的挑战。为解决日益增长的业务需求所带来的问题,第五代移动通信网络中引入了很多新兴的技术。移动边缘计算技术作为5G的关键技术之一,在当前网络架构的基础上,为边缘网络节点增加了更多的计算资源,可以提升边缘网络的智能性,应用前景非常广泛,因此引起了研究人员的高度关注。内容提前推送是当前网络中常用的一种缓存技术方案,它的核心思想是利用网络流量低峰期提前将可能会被用户访问的内容推送至距离用户较近的边缘节点,这样在流量高峰时,用户访问的内容可以直接由边缘节点推送给用户,从而降低回程链路的负载,减少核心网带宽的使用,降低用户的网络延时。该技术的核心算法即为推荐算法,本文在传统的推荐算法的基础上,研究了电影数据极易获取的属性之一——电影类型与用户评分之间的关系,从而提出了一种基于电影类型和矩阵分解的评分预测算法,以矩阵分解得出的预测评分为精细评分,电影类型得出的评分为粗略评分,并以后者作为修正项与前者进行加权和,同时根据每个用户的历史评分数据计算出不同的加权参数。仿真结果证明所提算法可以有效提升评分预测的准确率。随着硬件技术和网络技术的不断发展,用户终端设备由之前的计算能力弱、存储量少的老式手机逐渐演变成高计算资源、高存储量的智能手机、智能手表等终端设备,这不仅很大程度上提升了用户体验,也使得用户的终端设备在网络中可以承担更多的角色。MEC技术的引入使得靠近用户的边缘网络节点更加智能,第三方接口的开放也为厂商优化他们的网络应用提供了更多的空间。本文利用MEC边缘节点的计算能力和用户终端设备的高存储量这一特性,结合了基站缓存、设备缓存,并引入了上文的GSVD算法,提出了一种基于用户偏好的联合缓存算法。该方案利用推荐系统去学习和发现用户个体之间的喜好差异性,从而选择将内容缓存在用户终端设备或者基站缓存服务器上,仿真结果表明该算法可以有效降低用户访问延时,提升用户体验。