[發明專利]一種基于BP神經網絡的文件推薦方法及系統

有效

• 申請號: 201710741092.2
• 申請日: 2017-08-25
• 公開（公告）號: CN107577736B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 顧靜雯
• 申請（專利權）人: 武漢數字智能信息科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/906;G06F16/14;G06N3/08
• 代理公司: 北京化育知識產權代理有限公司 11833
• 代理人: 閆露露

1.一種基于BP神經網絡的文件推薦方法，其特征在于，包括：

步驟S100根據預設的分類條件對待分類用戶進行分類，得到不同的用戶群；

步驟S200分別獲取每個用戶群各自對應的訓練樣本數據；

步驟S300分別建立每個用戶群各自對應的BP神經網絡；

步驟S400根據每個用戶群各自對應的訓練樣本數據，分別對所述用戶群各自對應的BP神經網絡進行訓練，得到訓練好的所述用戶群各自對應的BP神經網絡模型；

步驟S500將預測樣本數據輸入訓練好的每個用戶群各自對應的BP神經網絡模型，分別得到每個用戶群各自對應的BP神經網絡模型對所述預測樣本數據的輸出量；

步驟S600選擇所述輸出量大于預設閾值的BP神經網絡模型所對應的用戶群，向其推薦所述預測樣本數據對應的文件；

所述步驟S400包括：

步驟S410選擇一個未訓練好的BP神經網絡模型的用戶群；

步驟S420從所述用戶群對應的訓練樣本數據隨機選取一部分作為第一樣本數據，剩余的作為第二樣本數據；

步驟S430將所述用戶群對應的BP神經網絡根據所述第一樣本數據進行訓練，得到所述用戶群對應的參考BP神經網絡模型；

步驟S440將所述用戶群對應的第二樣本數據的訓練樣本集輸入到所述用戶群對應的參考BP神經網絡模型中，分別獲取參考BP神經網絡模型對訓練樣本集所包含的每個文件特征向量所對應的輸出值；

步驟S450根據各所述輸出值、各所述輸出值對應的所述文件特征向量對應的評分值，得到誤差值；

步驟S460判斷所述誤差值是否小于預設誤差值；若是，則將所述參考BP神經網絡模型作為所述用戶群對應的訓練好的神經網絡模型；

步驟S470若否，則更改隱含層神經元的數量，并跳轉到步驟S430；

步驟S480判斷是否所有用戶群都有各自對應的訓練好的BP神經網絡模型；

步驟S490若否，則選擇另一個未訓練好的BP神經網絡模型的用戶群，并跳轉到步驟S420。

2.根據權利要求1所述的基于BP神經網絡的文件推薦方法，其特征在于，所述步驟S200包括：

步驟S210分別獲取每個用戶群對應的所有文件瀏覽信息，以及，每個所述文件瀏覽信息對應的下載量；

步驟S220根據所述文件瀏覽信息和預設特征屬性，分析得到每個文件瀏覽信息對應的文件特征向量；

步驟S230將同一個用戶群對應的所有文件瀏覽信息各自對應的文件特征向量組成所述用戶群的訓練樣本集；

步驟S240根據每個文件瀏覽信息對應的下載量，得到每個所述下載量對應的評分值；

步驟S250將同一個用戶群對應的所有下載量各自對應的評分值組成所述用戶群的評分集；

步驟S260將同一個用戶群對應的所述訓練樣本集和所述評分集作為所述用戶群的訓練樣本數據，從而得到不同的用戶群各自對應的所述訓練樣本數據。

3.根據權利要求2所述的基于BP神經網絡的文件推薦方法，其特征在于，所述步驟S300還包括：

步驟S310根據所述預設特征屬性的數量，確定輸入層神經元的數量；

步驟S320根據所述評分值，確定輸出層神經元的數量為1；

步驟S330根據以下公式確定隱含層神經元的數量：

其中，n為輸入層神經元的數量，m為輸出層神經元的數量，a為1到10之間的常數；

步驟S340根據所述輸入層神經元的數量、所述輸出層神經元的數量和所述隱含層神經元的數量，分別建立每個用戶群各自對應的BP神經網絡。

4.根據權利要求2所述的基于BP神經網絡的文件推薦方法，其特征在于：

所述文件特征向量為所述文件特征向量對應的用戶群的BP神經網絡的輸入量；

所述評分值為所述評分值對應的所述下載量對應的所述文件特征向量對應的用戶群的BP神經網絡的輸出量。