1.一种基于BP神经网络的文件推荐方法，其特征在于，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；

所述步骤S400包括：

步骤S410选择一个未训练好的BP神经网络模型的用户群；

步骤S420从所述用户群对应的训练样本数据随机选取一部分作为第一样本数据，剩余的作为第二样本数据；

步骤S430将所述用户群对应的BP神经网络根据所述第一样本数据进行训练，得到所述用户群对应的参考BP神经网络模型；

步骤S440将所述用户群对应的第二样本数据的训练样本集输入到所述用户群对应的参考BP神经网络模型中，分别获取参考BP神经网络模型对训练样本集所包含的每个文件特征向量所对应的输出值；

步骤S450根据各所述输出值、各所述输出值对应的所述文件特征向量对应的评分值，得到误差值；

步骤S460判断所述误差值是否小于预设误差值；若是，则将所述参考BP神经网络模型作为所述用户群对应的训练好的神经网络模型；

步骤S470若否，则更改隐含层神经元的数量，并跳转到步骤S430；

步骤S480判断是否所有用户群都有各自对应的训练好的BP神经网络模型；

步骤S490若否，则选择另一个未训练好的BP神经网络模型的用户群，并跳转到步骤S420。

2.根据权利要求1所述的基于BP神经网络的文件推荐方法，其特征在于，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各自对应的所述训练样本数据。

3.根据权利要求2所述的基于BP神经网络的文件推荐方法，其特征在于，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：其中，n为输入层神经元的数量，m为输出层神经元的数量，a为1到10之间的常数；

步骤S340根据所述输入层神经元的数量、所述输出层神经元的数量和所述隐含层神经元的数量，分别建立每个用户群各自对应的BP神经网络。

4.根据权利要求2所述的基于BP神经网络的文件推荐方法，其特征在于：所述文件特征向量为所述文件特征向量对应的用户群的BP神经网络的输入量；

所述评分值为所述评分值对应的所述下载量对应的所述文件特征向量对应的用户群的BP神经网络的输出量。

5.一种基于BP神经网络的文件推荐系统，其特征在于，包括：用户分类模块，用于根据预设的分类条件对待分类的用户进行分类，得到不同的用户群；

数据获取模块，与所述用户分类模块电连接，所述数据获取模块用于分别获取每个用户群各自对应的训练样本数据；

模型构建模块，与所述用户分类模块和所述数据获取模块电连接，所述模型构建模块用于分别建立每个用户群各自对应的BP神经网络，以及，用于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；

数据预测模块，与所述模型构建模块电连接，所述数据预测模块用于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；

文件推荐模块，与所述数据预测模块电连接，所述文件推荐模块用于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；

所述模型构建模块包括：

设置子模块，用于选择一个未训练好的BP神经网络模型的用户群；

训练子模块，用于从所述用户群对应的训练样本数据随机选取一部分作为第一样本数据，剩余的作为第二样本数据；以及，将所述用户群对应的BP神经网络根据所述第一样本数据进行训练，得到所述用户群对应的参考BP神经网络模型；以及，将所述用户群对应的第二样本数据的训练样本集输入到所述用户群对应的参考BP神经网络模型中，分别获取参考BP神经网络模型对训练样本集所包含的每个文件特征向量所对应的输出值；

计算子模块，用于根据各所述输出值、各所述输出值对应的所述文件特征向量对应的评分值，得到误差值；

判断子模块，用于判断所述误差值是否小于预设误差值；若是，则将所述参考BP神经网络模型作为所述用户群对应的训练好的神经网络模型；若否，则更改隐含层神经元的数量；

所述判断子模块，进一步用于判断是否所有用户群都有各自对应的训练好的BP神经网络模型；

所述设置子模块，进一步用于选择另一个未训练好的BP神经网络模型的用户群。

6.根据权利要求5所述的基于BP神经网络的文件推荐系统，其特征在于，所述数据获取模块包括：

获取子模块，用于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；

预处理子模块，用于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；以及，用于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；以及，用于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；以及，用于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；以及，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。

7.根据权利要求6 所述的基于BP神经网络的文件推荐系统，其特征在于：所述模型构建模块，进一步用于根据所述预设特征属性的数量，确定输入层神经元的数量；以及，根据所述评分值，确定输出层神经元的数量为1；以及，根据以下公式确定隐含层神经元的数量：

其中，n为输入层神经元的数量，m为输出层神经元的数量，a为1到10之间的常数；以及，用于根据所述输入层神经元的数量、所述输出层神经元的数量和所述隐含层神经元的数量，分别建立每个用户群各自对应的BP神经网络。

8.根据权利要求6 所述的基于BP神经网络的文件推荐系统，其特征在于：所述文件特征向量为所述文件特征向量对应的用户群的BP神经网络的输入量；

所述评分值为所述评分值对应的所述下载量对应的所述文件特征向量对应的用户群的BP神经网络的输出量。