1.一种基于协同过滤模型的商品推荐方法，其特征在于：该方法具体包括以下步骤：步骤S1、收集用户历史数据；

步骤S2、对数据进行预处理；

步骤S3、协同过滤模型训练；

步骤S4、进行模型验证；

步骤S5、进行二级训练，制定深度个性化商品规格的推荐。

2.根据权利要求1所述的基于协同过滤模型的商品推荐方法，其特征在于：所述步骤S1中收集用户历史数据的方法具体为：建立用户行为列表，采集用户在电商平台的历史购物行为，包括用户商品页面长时间停留、点击、加购、购买过的商品；收集商品所属的类目信息、价格、以及近半年的销量走势，构造用户兴趣偏好；同时收集用户基本属性、商品基本属性以及用户场景信息。

3.根据权利要求1所述的基于协同过滤模型的商品推荐方法，其特征在于：所述步骤S2中对数据进行预处理的方法具体包括：获取用户历史数据，将数据范围进行缩限，删除异常值，消除噪点，并对缺失值、删除的异常值进行填补，最后对数据归一化至数字信号处理范畴之内；同时进一步的将数据转换为矩阵形式，方便模型训练。

4.根据权利要求1所述的基于协同过滤模型的商品推荐方法，其特征在于：所述步骤S3中，协同过滤模型训练的方法为：结合具体业务场景，采用协同过滤模型训练推荐结果，协同过滤模型中，具体计算公式为：其中，i,j表示商品，u,v表示用户，Wij表示商品对i,j的权重因子；基于协同过滤模型计算公式，将处理好的数据输入到模型中进行训练；训练完成后，模型输出商品之间的相似度；为了减少头部商品的影响，结合具体商品销量对商品之间的相似度结果进行加权；即基于所有用户行为训练得到商品之间的相似性。

5.根据权利要求4所述的基于协同过滤模型的商品推荐方法，其特征在于：所述权重因子取值受近半年的销量影响而界定。

6.根据权利要求1所述的基于协同过滤模型的商品推荐方法，其特征在于：所述模型验证的方法具体为：采用指标评测的方法进行模型验证，从而确保模型训练结果的合理性及准确性，其中指标评测的方法主要通过采用召回率、热门商品占比评估推荐结果。

7.根据权利要求1所述的基于协同过滤模型的商品推荐方法，其特征在于：所述步骤S5进一步包括：输出训练推荐商品结果后，二次获取用户行为列表、商品所属类目、商品基本属性、用户基本属性，制定商品规格训练模型，分析用户推荐商品下的具体规格；

具有分析方法为：通过用户行为列表，获取用户购买过的商品以及相同商品下不同规格选择项，以单一商品建立评论节点，在该节点内提供获取不同已购该商品的不同用户的基本属性及其在评论节点中的评论，并将不同用户购买该商品的规格进行记录，再以该商品为中心建立关联属性标签链，获取用户购买商品规格下的关联属性标签链；然后重复上述分析步骤，获取用户所有购买商品规格下的关联属性标签链；接着根据当前推荐商品结果，同样的对推荐商品的不同规格进行建立关联属性标签链处理，最后与用户所有购买商品规格下的关联属性标签链匹配，选取重合度最高的标签链所对应的商品规格。

8.一种基于协同过滤模型的商品推荐系统，其特征在于：该系统包括：

数据收集模块，用于在电商平台场景下收集用户以及商品的数据；

数据预处理模块，用于对收集的数据进行预处理；

协同模型训练模块，用于基于用户行为协同过滤模型训练推荐结果；

模型验证模块，用于核验其推荐结果是否符合用户的行为趋势；

深度制定模块，用于进行二级训练，制定深度个性化商品规格的推荐。