1.一种大数据保险推荐方法，其特征在于，包括：获得欲购买保险的用户信息；所述欲购买保险的用户信息包括用户的性别、年龄、工资、资产和工作类型；

基于所述欲购买保险的用户信息，通过神经网络推荐模型，得到用户待选保险向量；所述用户待选保险向量包括表示待选保险基本类别概率的元素和表示多个待选保险概率的元素；所述待选保险基本类别包括社会保险、财产保险和意外保险；所述待选保险有多个；

每个待选保险对应一个保险基本类别；

基于所述欲购买保险的用户信息中的关键字，得到关键保险；所述关键字表示所述用户信息中能使保险被推荐的概率大于设定值的信息；

基于所述用户待选保险向量和所述关键保险，得到第一推荐保险集合；

基于欲购买保险的用户信息，通过相似用户推荐算法，得到第二推荐保险集合；

基于第二推荐保险集合和第一推荐保险集合，得到最优推荐保险集合，所述最优推荐保险集合包括所述第一推荐保险集合和第二推荐保险集合中相同的保险。

2.根据权利要求1所述的方法，其特征在于，所述神经网络推荐模型的训练方法：获得训练集，所述训练集包括数据库中已购保险的用户信息和已购保险信息；所述已购保险信息包括已购保险基本类别和已购保险；所述已购保险基本类别包括社会保险、财产保险、意外保险；

基于所述已购保险的用户信息，通过深度学习神经网络，得到用户保险向量；所述用户保险向量中的元素包括购买保险基本类别的概率和购买保险的概率；

基于所述用户保险向量和所述已购买保险，得到神经网络推荐损失值；

获得所述神经网络推荐模型训练的最大迭代次数；

当所述神经网络推荐损失值小于或等于神经网络阈值，或神经网络推荐模型的训练迭代次数达到所述最大迭代次数时，停止训练神经网络推荐模型，得到训练好的神经网络推荐模型。

3.根据权利要求2所述的方法，其特征在于，所述深度学习神经网络包括五层隐藏层，所述隐藏层由多个神经元组成，所述神经元是包含输入、输出和计算功能的数学模型：所述第一隐藏层的输入是所述已购保险的用户信息；所述第二隐藏层的输入是所述第一隐藏层的输出；所述第三隐藏层的输入是所述第二隐藏层的输出；所述第四隐藏层的输入是所述第三隐藏层的输出；所述第五隐藏层的输入是所述第四隐藏层的输出；所述第五隐藏层的输出是用户保险向量。

4.根据权利要求2所述的方法，其特征在于，所述基于所述用户保险向量和所述已购买保险，得到神经网络推荐损失值，包括：获得多个购买保险基本类别概率，所述购买保险基本类别概率是从用户保险向量中提取出的表示购买保险基本类别的概率的元素；

获得多个购买保险概率，所述购买保险概率是从用户保险向量中提取出的表示购买保险的概率的元素；

基于所述购买保险基本类别概率、所述购买保险概率和所述已购买保险概率，得到神经网络推荐损失值；所述已购保险概率包括已购保险基本类别概率和已购保险概率；所述已购保险概率为1表示已购买的保险，所述已购保险概率为0表示未购买的保险；所述已购保险基本类别概率为1表示已购买的保险所在类别，所述已购买的基本类别概率为0表示未购买的保险所在类别；

所述神经网络推荐损失值通过下述公式所述的计算方式获得：其中，L是所述神经网络推荐损失值。L1是第一保险损失值，所述第一保险损失值表示基本类别中保险的损失值；y1k为所述已购保险的基本类别概率，pik为i类保险中的所述已购保险概率；K为述用户购买保险的基本类别的数量，k为所述用户购买保险的i类基本类别中的k类保险，k是1到K之间的正整数；N是所有样本的数量；

所述第一保险损失值通过下述公式所述的计算方式获得：其中，L1是所述第一保险损失值；y1是第一已购保险基本类别概率，y1a是所述第一已购保险概率，p1是所述第一购买保险基本类别概率，p2b是所述第一购买保险概率，A是保险为所述第一购买保险基本类别的保险数量；y2是所述第二已购保险基本类别概率，y2b是所述第二已购保险概率，p2是所述第二购买保险基本类别概率，p2b是所述第二购买保险概率，B是保险为所述第二购买保险基本类别的保险数量；y3是所述第三已购保险基本类别概率，y3c是所述第三已购买保险，p3是所述第三购买保险基本类别概率，p3c是所述第三购买保险概率，C是保险为所述第三购买保险基本类别的保险数量；

其中，所述第一已购保险基本类别概率、第二已购保险基本类别概率和第三已购保险基本类别概率是从所述已购保险基本类别概率中提取出的部分已购保险基本类别概率；所述第一已购保险概率、所述第二已购保险概率和所述第三已购保险概率是从所述已购保险概率中提取出的表示属于部分已购保险基本类别概率的已购保险概率；所述第一购买保险基本类别概率、第二购买保险基本类别概率和第三购买保险基本类别概率是从所述购买保险基本类别概率中提取出的部分购买保险基本类别概率；所述第一购买保险概率、所述第二购买保险概率和所述第三购买保险概率是从所述购买保险概率中提取出属于部分购买保险基本类别概率的购买保险概率。

5.根据权利要求1所述的方法，其特征在于，所述基于所述欲购买保险的用户信息的关键字，得到关键保险；所述关键字表示所述用户信息中能使部分保险被推荐的几率大的信息，包括：

获得关键字表，所述关键表包括关键字与关键字所对应的保险；

基于所述关键字表，得到关键数组；

获得所述用户的关键字；

基于所述关键字和关键数组，通过查找算法，得到关键保险。

6.根据权利要求1所述的方法，其特征在于，所述基于所述用户待选保险向量和所述关键保险，得到第一推荐保险集合，包括：基于所述用户待选保险向量，得到推荐保险基本类别；所述推荐保险基本类别表示所述用户待选保险向量中的表示待选保险基本类别概率的元素大于保险基本类别阈值的保险基本类别；

基于所述推荐保险基本类别和所述用户待选保险向量，得到推荐保险概率；所述推荐保险是第一保险概率大于推荐保险阈值的保险概率；所述第一保险概率是第二保险概率中属于所述推荐保险基本类别的保险概率；所述第二保险概率是所述用户待选保险向量中表示多个待选保险概率的元素；

基于所述关键保险，得到关键保险概率；所述关键保险概率为1表示是关键保险，所述关键保险概率为0表示不是关键保险；

基于关键保险概率和所述推荐保险概率，得到第一推荐保险概率，所述关键保险概率为所述推荐保险概率与所述关键保险之和的概率；

基于所述第一推荐保险概率，得到有序第一推荐保险集合；所述有序第一推荐保险集合是将所述第一保险推荐概率从大到小排序的有序集合；

基于所述有序第一推荐保险集合，得到第一推荐保险集合，所述第一推荐保险集合是所述有序第一推荐保险集合中所述关键保险概率大于第一阈值的保险。

7.根据权利要求1所述的方法，其特征在于，所述基于欲购买保险的用户信息，通过相似用户推荐算法，得到第二推荐保险集合，包括：获得多个历史用户信息，所述历史用户信息预先存储在数据库中，所述历史用户信息表示已经购买了保险的用户的信息；

基于所述多个历史用户信息，得到已购保险用户信息向量；所述已购保险用户信息向量由性别、年龄、工资、资产和工作类型元素组成；

基于欲购买保险的用户信息，得到欲购买保险用户信息向量；所述欲购买保险用户信息向量由性别、年龄、工资、资产和工作类型元素组成；所述已购保险用户信息向量中的元素数量和所述欲购买保险用户信息向量中的数量相同；

基于所述已购保险用户信息向量和所述欲购买保险用户信息向量，得到用户相似度；

所述用户相似度表示欲购买保险的用户与已购保险的用户之间的相似程度；

所述用户相似度通过下述公式所述的计算方式获得：其中，d(x,y)是所述用户相似度，x1i为所述欲购买保险用户信息向量中第i元素，x2i为所述已购保险用户信息向量中第i元素，n为所述欲购买保险用户信息向量中元素的数量；

基于所述用户相似度，得到多个相似用户；所述相似用户表示用户相似值大于用户相似阈值的已购保险的用户；

基于所述相似用户，得到第二推荐保险集合。

8.根据权利要求7所述的方法，其特征在于，所述基于所述相似用户，得到第二推荐保险集合，包括：

基于相似用户，得到相似保险向量；所述相似保险向量的元素数量为保险的数量；所述相似保险向量的元素表示保险的已购买的次数；所述相似保险向量的元素为1表示保险购买一次，所述相似保险向量的元素为0表示未购买保险基于所述相似保险向量和所述用户相似度，得到第二保险推荐向量；所述第二保险推荐向量中的元素表示所述所有相似用户已购买的保险的概率；

所述第二保险推荐向量通过下述公式所述的计算方式获得：其中，P(X)为所述第二保险推荐向量，xij为所述相似保险向量，ai为所述用户相似度，j表示所述相似保险向量的元素，i表示所述相似用户，n表示所述相似用户的数量；

基于所述第二保险推荐向量，得到有序第二推荐保险集合，所述有序第二推荐保险集合是将所述第二保险推荐向量中的元素从大到小排序的有序集合；所述第二保险推荐向量中的元素表示推荐保险的概率；

基于所述有序第二保险推荐集合，得到第二推荐保险集合，所述第二推荐保险集合为所述有序第二保险推荐集合中的元素大于推荐阈值的保险的集合。

9.一种大数据保险推荐系统，其特征在于，包括：采集模块：获得欲购买保险的用户信息；所述欲购买保险的用户信息包括用户的性别、年龄、工资、资产和工作类型；

神经网络推荐模块：基于所述欲购买保险的用户信息，通过神经网络推荐模型，得到用户待选保险向量；所述用户待选保险向量包括表示待选保险基本类别概率的元素和表示多个待选保险概率的元素；所述待选保险基本类别包括社会保险、财产保险和意外保险；所述待选保险有多个；每个待选保险对应一个保险基本类别；

提取关键保险模块：基于所述欲购买保险的用户信息的关键字，得到关键保险；所述关键字表示所述用户信息中能使部分保险被推荐的几率大的信息；

推荐模块：基于所述用户待选保险向量和所述关键保险，得到第一推荐保险集合；基于欲购买保险的用户信息，通过相似用户推荐算法，得到第二推荐保险集合；基于第二推荐保险集合和第一推荐保险集合，得到最优推荐保险集合，所述最优推荐保险集合为所述第一推荐保险集合和第二推荐保险集合中相同的保险。

10.根据权利要求9所述的系统，其特征在于，所述神经网络推荐模型的训练方法：获得训练集，所述训练集包括数据库中已购保险的用户信息和已购保险信息；所述已购保险信息包括已购保险基本类别和已购保险；所述已购保险基本类别包括社会保险、财产保险、意外保险；

基于所述已购保险的用户信息，通过深度学习神经网络，得到用户保险向量；所述用户保险向量中的元素包括购买保险基本类别的概率和购买保险的概率；

基于所述用户保险向量和所述已购买保险，得到神经网络推荐损失值；

获得所述神经网络推荐模型训练的最大迭代次数；

当所述神经网络推荐损失值小于或等于神经网络阈值，或神经网络推荐模型的训练迭代次数达到所述最大迭代次数时，停止训练神经网络推荐模型，得到训练好的神经网络推荐模型。