1.一种产品推荐方法，其特征在于，所述产品推荐方法包括如下步骤：步骤一、获取本地用户端发送的用户公钥和用户需求关键词；

步骤二、获取与用户需求关键词匹配的产品和产品特征数据；并对产品特征数据进行布尔向量处理，得到各个产品的特征布尔向量；

步骤三、对任意两个产品的特征布尔向量进行内积处理并构建产品关联网络；

所述产品关联网络中的节点为产品，边表示两个产品存在关联关系，边值为两个产品的关联程度值；所述关联程度值为非0的内积值；

步骤四、基于邻接矩阵，确定产品关联网络中各个节点介数中心性值并进行大小排序，以生成产品推荐表；

步骤五、采用用户公钥对产品推荐表进行加密后发送推荐信息包给本地用户端；

步骤六、本地用户端采用用户私钥对接收到的推荐信息包依次进行解密和处理并进行处理结果反馈。

2.根据权利要求1所述的产品推荐方法，其特征在于，所述用户私钥和用户公钥产生的具体过程包括：服务器获取用户注册请求后分发唯一的用户标识符给本地用户端；

服务器随机产生PKG私钥和PKG公钥并向本地用户端发布后销毁PKG私钥和PKG公钥；

本地用户端根据用户标识符、PKG私钥和PKG公钥，产生用户公钥和用户私钥；并将用户公钥发送给服务器。

3.根据权利要求2所述的产品推荐方法，其特征在于，所述产品特征数据至少包括以下特征数据之一：供应商、产地、用户群、产品使用期、产品自身属性、价格区间、品牌、用户评价、访问计数和购买计数。

4.根据权利要求1～3中任意一项所述的产品推荐方法，其特征在于，步骤四中，确定所述产品关联网络中各个节点介数中心性值的具体过程为：步骤41、将产品关联网络作为全域关联网络；并从全域关联网络选取其中一个节点作为待计算节点；

步骤42、根据全域关联网络，构建n*n的全域关联矩阵A和待计算节点的邻域关联矩阵B；

所述全域关联矩阵A中的元素值为所述全域关联网络中对应的关联程度值；n为全域关联网络中的节点数量；

所述邻域关联矩阵B中待计算节点和与待计算节点直接连接的其它节点对应的元素值为0，其它元素值与所述全域关联矩阵A中的对应元素值相同；

步骤43、设置K个n*n的第一空域矩阵；并对全域关联矩阵A中元素值为k所在的位置进行检索；并将k填充到第k个第一空域矩阵对应位置，将0填充到其它位置，得到第k个相似矩k阵H；

其中，k＝1，2，3，…，K，K＝max(n,w0)，w0为全域关联矩阵A中最大元素值；

步骤44、设置K个n*n的第二空域矩阵；对全域关联矩阵A中元素值为1所在的位置进行检索；并将1填充到所述第二空域矩阵中对应位置，将0填充到其它位置，得到元素值为1的1

全域关联矩阵A；

步骤45、设置K个n*n的第三空域矩阵；对邻域关联矩阵B中元素值为1所在的位置进行检索；并将1填充到所述第三空域矩阵中对应位置，将0填充到其它位置，得到元素值为1的1

邻域关联矩阵B；

k 1 1

步骤46、根据相似矩阵H以及全域关联矩阵A和邻域关联矩阵B，推算出元素值为k的k k k k k全域关联矩阵A、邻域关联矩阵B；并计算全域关联矩阵A和邻域关联矩阵B的差矩阵C；

k k

步骤47、设置一个n*n的第四空域矩阵；并计算差矩阵C 和全域关联矩阵A 中对应位置的元素值的比值；并将比值填充到第四空域矩阵中对应位置，直至填满所有位置，得到一个新矩阵；

步骤48、计算新矩阵中各个位置的元素值的和值并进行归一化处理；并将归一化处理结果值作为节点介数中心性值。

5.根据权利要求4所述的产品推荐方法，其特征在于，步骤46中，当w0≥n，wv≥n时，所述k k元素值为k的全域关联矩阵A和邻域关联矩阵B分别按照如下公式推算：k k‑1 1 k‑1

A＝A *A+H ；

k k‑1 1 k‑1

B＝B *B+H ；

k k k‑1

其中，A和B 分别元素值为k的全域关联矩阵和邻域关联矩阵；H 为第k‑1个相似矩阵；

k‑1 k‑1 1 1

A 和B 分别元素值为k‑1的全域关联矩阵和邻域关联矩阵；A和B分别元素值为1的全域关联矩阵和邻域关联矩阵；n为全域关联网络中的节点数量；w0为全域关联矩阵A中最大元素值；wv为待计算节点v的邻域关联矩阵B中最大元素值，wv≤w0。

6.根据权利要求4所述的产品推荐方法，其特征在于，步骤46中，当w0＜n，wv＜n时，所述k k元素值为k的全域关联矩阵A和邻域关联矩阵B分别按照如下公式推算：k k‑1 1 k‑1

A＝A *A+H ，1＜k≤w0；

k (r1) (λ1*w0)

A＝A *A ，w0＜n；

r1＝k mod w0；

k k‑1 1 k‑1

B＝B *B+H ，1＜k≤wv；

k (r2) (λ2*w0)

B＝B *B ，wv＜n；

r2＝k mod wv；

k k k‑1

其中，A和B 分别元素值为k的全域关联矩阵和邻域关联矩阵；H 为第k‑1个相似矩阵；

k‑1 k‑1 1 1

A 和B 分别元素值为k‑1的全域关联矩阵和邻域关联矩阵；A和B分别元素值为1的全域关联矩阵和邻域关联矩阵；n为全域关联网络中的节点数量；w0为全域关联矩阵A中最大元素值；wv为待计算节点v的邻域关联矩阵B中最大元素值，wv≤w0； 为向下取整；mod为求模。

7.根据权利要求4所述的产品推荐方法，其特征在于，步骤46中，当w0≥n，wv＜n时，所述k k元素值为k的全域关联矩阵A和邻域关联矩阵B分别按照如下公式推算：k k‑1 1 k‑1

A＝A *A+H ；

k k‑1 1 k‑1

B＝B *B+H ，1＜k≤wv；

k (r2) (λ2*w0)

B＝B *B ，wv＜n；

r2＝k mod wv；

k k k‑1

其中，A和B 分别元素值为k的全域关联矩阵和邻域关联矩阵；H 为第k‑1个相似矩阵；

k‑1 k‑1 1 1

A 和B 分别元素值为k‑1的全域关联矩阵和邻域关联矩阵；A和B分别元素值为1的全域关联矩阵和邻域关联矩阵；n为全域关联网络中的节点数量；w0为全域关联矩阵A中最大元素值；wv为待计算节点v的邻域关联矩阵B中最大元素值，wv≤w0； 为向下取整；mod为求模。

8.根据权利要求4所述的产品推荐方法，其特征在于，步骤48中，按照如下公式进行归一化处理：bet(v)＝Sv/((n‑1)*(n‑2))；

其中，bet(v)为待计算节点v的介数中心性值；Sv为计算节点v的新矩阵中各个元素值的和值；n为全域关联网络中的节点数量。

9.一种存储介质，其特征在于，所述存储介质存储有计算机程序指令；通过执行所述计算机程序指令，实现权利要求1～8中任意一项所述的产品推荐方法。

10.一种产品推荐系统，其特征在于，所述产品推荐系统包括：获取模块，用于获取本地用户端发送的用户公钥和用户需求关键词；

处理模块，用于获取与用户需求关键词匹配的产品和产品特征数据；并对产品特征数据进行布尔向量处理，得到各个产品的特征布尔向量；

构建模块，用于对任意两个产品的特征布尔向量进行内积处理并构建产品关联网络；

所述产品关联网络中的节点为产品，边表示两个产品存在关联关系，边值为两个产品的关联程度值；所述关联程度值为非0的内积值；

产品推荐生成模块，用于基于邻接矩阵，确定产品关联网络中各个节点介数中心性值并进行大小排序，以生成产品推荐表；

加密模块，用于采用用户公钥对产品推荐表进行加密后发送推荐信息包给本地用户端；

反馈模块，用于本地用户端采用用户私钥对接收到的推荐信息包依次进行解密和处理并进行处理结果反馈。