[发明专利]一种基于BP神经网络的文件推荐方法及系统

说明书

本发明公开了一种基于BP神经网络的文件推荐方法及系统，包括：对用户群体进行初步划分，得到不同的用户群；分别获取每个用户群各自对应的训练样本数据；分别建立每个用户群各自对应的BP神经网络；根据每个用户群各自对应的训练样本数据，分别对所述用户群各自对应的BP神经网络进行训练；将预测样本数据输入到训练好的每个用户群各自对应的BP神经网络模型，分别得到每个用户群对所述预测样本数据的评分；选择评分高的用户群，向其推荐所述预测样本数据对应的文件。通过以上方式，本发明可以更加精准的给用户推荐合适的文件。

技术领域

本发明涉及文件推荐领域，尤指一种基于BP神经网络的文件推荐方法及系统。

背景技术

随着多媒体时代的发展，传统的报纸、广播、新闻已经不仅仅是我们获取信息资源的主要途径了。通过手机端的浏览器、新闻客户端、各种云存储客户端、多媒体播放客户端等都可以给大众提供最新的实时信息。同时随着大数据分析和技术的发展，越来越多的客户端都变智能了。能够根据用户的偏好、所处地理位置、个人信息等情况，智能的推送个性化多媒体资源才是企业竞争的生存之道。

目前的信息推送都是通过用户之前的浏览历史来推算所述用户可能感兴趣的内容，然而历史信息的随机性比较大，这并不能精确的反应用户的偏好程度。

发明内容

本发明的目的是提供一种基于BP神经网络的文件推荐方法及系统，可以更加精准的给用户推荐合适的文件。

本发明提供的技术方案如下：

一种基于BP神经网络的文件推荐方法，包括：步骤S100根据预设的分类条件对待分类用户进行分类，得到不同的用户群；步骤S200分别获取每个用户群各自对应的训练样本数据；步骤S300分别建立每个用户群各自对应的BP神经网络；步骤S400根据每个用户群各自对应的训练样本数据，分别对所述用户群各自对应的BP神经网络进行训练，得到训练好的所述用户群各自对应的BP神经网络模型；步骤S500将预测样本数据输入训练好的每个用户群各自对应的BP神经网络模型，分别得到每个用户群各自对应的BP神经网络模型对所述预测样本数据的输出量；步骤S600选择所述输出量大于预设阈值的BP神经网络模型所对应的用户群，向其推荐所述预测样本数据对应的文件。

在上述技术方案中，先对待分类用户进行初步分类，得到不同的用户群，再根据每个用户群的历史数据训练各自对应的BP神经网络，这样可以使训练好的BP神经网络模型更有针对性，更能反映所对应用户群的喜好；通过将预测样本数据输入到训练好的BP神经网络模型进行预测，选择输出量大于预设阈值的BP神经网络模型所对应的用户群进行推荐，这样可以更加精准的锁定用户群体。

进一步，所述步骤S200包括：步骤S210分别获取每个用户群对应的所有文件浏览信息，以及，每个所述文件浏览信息对应的下载量；步骤S220根据所述文件浏览信息和预设特征属性，分析得到每个文件浏览信息对应的文件特征向量；步骤S230将同一个用户群对应的所有文件浏览信息各自对应的文件特征向量组成所述用户群的训练样本集；步骤S240根据每个文件浏览信息对应的下载量，得到每个所述下载量对应的评分值；步骤S250将同一个用户群对应的所有下载量各自对应的评分值组成所述用户群的评分集；步骤S260将同一个用户群对应的所述训练样本集和所述评分集作为所述用户群的训练样本数据，从而得到不同的用户群的所述训练样本数据。

在上述技术方案中，根据每个用户群的文件浏览信息和对应的下载量，形成所述用户群的训练样本数据，以便后续的BP神经网络训练顺利进行。

进一步，所述步骤S300还包括：步骤S310根据所述预设特征属性的数量，确定输入层神经元的数量；步骤S320根据所述评分值，确定输出层神经元的数量为1；步骤S330根据以下公式确定隐含层神经元的数量：