1.一种基于聚类的网络结构相似性推荐方法，其特征在于：所述推荐方法包括以下步骤：步骤1：在数据库中标记用户形成集合User＝{u1，u2，u3…un}；用户集合User＝{u1，u2，u3…un}中每一个un包含用户所购买过的产品信息，un代表用户购买产品的行向量，邻接矩阵A代表用户和产品关系，其中un代表用户，Pj代表产品，矩阵中的元素anj代表用户是否购买过此产品，anj＝1代表用户n曾经购买过商品j，anj＝0表示没有购买过；

步骤2：在集合User中选择k个用户作为聚类中心，形成集合UC＝{uc1，uc2，…uck}，所述uck代表一个聚类中心用户；

步骤3：初始化k个聚类集合C＝{c1，c2，c3…ck}，所述ck代表包含有用户聚类中心uck和与uck相似度高的其他用户的集合；

步骤4：计算用户un与聚类中心uck的相似度，将用户un归类为某一聚类集合ck中；

步骤5：计算每个聚类ck中每种产品被购买的次数，将数量大于阀值b*n的产品标记出来作为特征商品，b为0～1之间的预设系数；

所述步骤5中，利用循环程序计算每个类中每种产品被购买的次数，再将产品按购买次数的多少进行排序得到每个聚类的购买特性向量，步骤如下：步骤5.1：利用公式(3)提取聚类集合ck中用户共同购买特征，其中α′1＝{1，1，...，1}是一维行向量，traitk是包含用户购买特征的一维行向量；

α′1×ck＝traitk    (3)

步骤5.2：利用公式(4)对traitk中的数据进行特征处理，对于traitkj-0.6k＞0的数，将trij中的对应位置赋值为1，traitkj-0.6k＜0时赋值为0，traitkj代表第k个聚类中关于第j个产品的特征值，tri是将traitkj中对应的产品标记出来的列向量，trij代表tri中的第j个元素；

步骤6：计算需要推荐的用户Ui与每个聚类中心的相似性，将Ui归为某一聚类ck中；

步骤7：计算Ui与ck特征向量的值，得出推荐列表；

利用公式(6)对Ui和uck的特征向量进行与非运算得到推荐列表：

2.如权利要求1所述的一种基于聚类的网络结构相似性推荐方法，其特征在于：所述步骤4中，用户un聚类的步骤如下：步骤4.1：当f＜k，t＜n时，利用循环程序通过公式(2)计算用户un与聚类中心uck的相似度；

Simtf＝ut×ucf′    (2)

步骤4.2：将un放入Simtf最大的对应的聚类集合ck中。

3.如权利要求1所述的一种基于聚类的网络结构相似性推荐方法，其特征在于：所述步骤6中，计算Ui与每个聚类中心的相似性，步骤如下：步骤6.1：使用公式(5)计算需要推荐的用户Ui和聚类中心uck之间的相似性，Simik代表用户Ui和聚类中心uck的相似性；

Simik＝Ui×uck    (5)

步骤6.2：将Ui归为相似性最大的聚类uck中。