使用神经网络对视频网站 bilibili 的视频进行大致范围为 0-5 的评分，评分越高则越推荐用户观看。
tensorflow==1.12.0
matplotlib==3.0.2
requets==2.21.0
调试时使用 Python：3.6.7
建议在命令行中使用，主要的脚本是 train.py 和 Main_Data.py 。不论是进行训练还是进行预测，首先要确保要用到的视频数据存在于数据库中。使用 Main_Data.py ，可建立、读取、添加数据库内容，按提示操作。此后训练与预测分数均直接使用数据库中的信息。使用 train.py 进行神经网络的训练与预测。可使用指定范围的视频数据进行训练；选择指定范围的视频，输出预测的误差，查看某个视频的预测值。关于视频编号：若一个视频的链接为 https://www.bilibili.com/video/av37786737 则其视频编号为 37786737。
getinfo(aid) 的 aid 接收 Bilibili 视频编号，函数返回一个字典，包含所需的视频信息。字典中的 key 参见 datastructure.txt 的示例。若 aid 对应的视频不存在，则会返回一个整数 404，使用中应注意检查返回值是否为 404。
可以遍历一段视频编号，循环中调用 getinfo(aid) 批量获取数据。在同目录下在其他 .py 文件中调用示例：
import vid
data = []
for aid in range(36020000, 36020100):
data.append(vid.getinfo(aid))
# rest of code上面的示例中，data 中以 list 形式存储了一个个包含视频数据的字典。
存储 Bilibili api 信息，在 vid.py 中使用。
数据存储核心脚本，调用 vid.py 实现抓取，并存入数据库文件，读取数据库也通过这个脚本。Builtdatabase() 是在同级目录下建立数据库文件；InsertData(aid) 根据视频编号aid，爬取视频特征数据，并存入数据库；ExportData(aid) 根据视频编号aid,在数据库中查找目标数据并按列表返回。
使用 SQLite 数据库，字段包括视频编号、评论数、分区、播放数、收藏数、上传者、硬币数等信息以及评分。说明：这里使用了非线性的公式计算得出分数（大量视频一个个看太辛苦了），基本上符合我们的偏好。因此神经网络在这里的作用相当于复现这个非线性模型。
数据库接口，帮助人工操作数据库文件。
train() 读取指定编号范围内数据库内容并训练网络。若检测到现存模型，则先读取模型后训练。输入层 invec 接收训练数据，传递给 hl1 、hl2 最后到 prediction 层，与 out 数据比对得到误差 loss 。fig 参数控制是否绘制误差变化图（若选择输出，则保存在 loss_process.png，范围内最后一个视频须存在，否则输出图里不会有内容）。训练 100 次，可选择是否输出误差变化图。模型存于 ./tf/ 目录下，tensorboard 数据流图存于 ./graph/。
lossdis() 用模型计算指定编号范围内视频的分数，并与目标值对比得到误差，输出散点图 loss_dis.png（横坐标视频编号，纵坐标误差值）。
predict() 读取已训练模型，输出指定视频的评分。
视频数据通过调用 DataProcess.py 读取数据库获得。