1.一种基于层次聚类的社交网络多尺度结构挖掘方法，其特征在于，包括以下步骤：S1：计算机对社交网络用户交互数据进行统计，以用户为点，构成网络G＝，V表示网络中点的集合，E表示网络中边的结合，基于获取的交互数据计算每两个用户间的用户关联度LH；

S2：计算机使用单连接层次聚类算法的准则，参照用户关联度LH不断添加边到网络的边集E中，每添加一条边就视为将该边连接的两个连通域合并为一个聚类簇，直到网络G＝成为连通图；

S3：计算机根据S2中层次聚类添加边的顺序，生成二叉树状图；

S4：计算机依据先验知识对S3中生成的二叉树状图进行结构优化，使其更加接近社交网络真实结构；

S5：计算机输出最终的社区挖掘结果，用于后续推荐系统的构建；

所述步骤S3根据S2中层次聚类添加边的顺序，生成二叉树状图，具体为：S31：初始化树状图T为空图；

S32：取出边添加序列ES中当前所包含的添加时间最早的边ei,j；

S33：如果网络G中的节点i未出现在树状图上，则在树状图T中新建叶子节点以代表仅包含了网络G中的节点i的簇，如果网络G中的节点j未出现在树状图上，则在树状图T中新建叶子节点以代表仅包含网络G中的节点j的簇；

S34：将树状图T中包含节点i的最大的簇与包含j的最大的簇作为两个子节点连接到新建的父节点，父节点代表的簇包含两个子节点簇所包含的所有网络G中的节点；

S35：如果ES不为空，跳转至步骤S32；

S36：获取生成完毕的树状图T；

所述步骤S4计算机依据先验知识对S3中生成的二叉树状图进行结构优化具体步骤为：S41：根据先验知识，给出最小簇规模K，描述树状图T中除叶子节点外最小的簇的大小；

S42：对树状图T的根节点进行优化操作；

所述步骤S42的对树状图T某节点parent的优化操作具体为：若节点parent所代表簇的规模小于K，则将节点parent及其以下结构改动，变为节点parent所代表的簇中的所有节点个体直接作为叶子节点连接至parent的父节点，否则对parent的两个子节点执行优化操作。

2.根据权利要求1所述的一种基于层次聚类的社交网络多尺度结构挖掘方法，其特征在于，所述步骤S1对社交网络用户交互数据进行统计，以用户为点，构成网络G＝，基于获取的交互数据计算每两个用户间的用户关联度LH，具体为：S11：获取社交网络用户与其他用户的交互数据；

S12：构建网络G＝，i,j∈V，其中 表示社交网络中共n个的用户，表示网络G＝中连接节点i与节点j的边，视网络中每一个连通域为一个聚类簇；

S13初始化 即网络G中没有边，所有节点各自属于一个独立的聚类簇；

S14：计算用户间的关联度 用于描述i，j两个节点之间的亲近程度，其值越大，表示两个用户之间关系越近；关联度计算公式如下：j

其中fi 表示用户i与用户j交互次数占用户i总交互次数的比例， 表示用户j与用户i交互次数占用户j总交互次数的比例，ε表示一个无穷小的数，以避免除0的情形。

3.根据权利要求2所述的一种基于层次聚类的社交网络多尺度结构挖掘方法，其特征在于，所述步骤S2具体为：S21：初始化未添加边对应的相似度集合为LH′＝LH；边添加序列S22：抽取LH′中值最大的个体，找到其对应的边ei,j，如果其所属的节点i与节点j属于同一聚类簇即通过边添加序列ES中的边连通，则放弃向ES中添加边ei,j，如果其所属的节点i与节点j不属于同一聚类簇，则将节点i与节点j所属的两个簇合并，并将边ei,j添加进边添加序列ES中；

S23：若已添加边序列ES中边的数量达到n‑1,则进入步骤S3，否则返回步骤S22。

4.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～3任一项的方法。