1.一种基于数据安全的用户产品偏好分析方法，其特征在于，该方法包括以下步骤：S1、获取用户的浏览信息和购买信息，并进行分析得到用户行为参数；

S2、对得到的用户行为参数进行数据清洗，并基于产品的类型对浏览及购买数据进行分类，得到分类行为数据；

S3、根据分类行为数据计算用户对产品的主观偏好度及客观偏好度；

S4、根据预设信度将用户的主观偏好度及客观偏好度合并，并计算用户对产品的综合偏好度；

S5、根据综合偏好度分析用户对产品的购买偏好，并基于用户的综合偏好为用户推荐对应的产品。

2.根据权利要求1所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据分类行为数据计算用户对产品的主观偏好度及客观偏好度包括以下步骤：S31、将分类行为数据分为主观数据和客观数据，并对主观数据和客观数据进行脱敏处理；

S32、根据脱敏后的客观数据计算用户的客观偏好度；

S33、根据脱敏后的主观数据计算用户的主观偏好度。

3.根据权利要求2所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据脱敏后的客观数据计算用户的客观偏好度包括以下步骤：S321、将脱敏后的客观数据根据产品的种类进行分组，得到客观分组数据；

S322、根据分组结果建立时序预测模型，根据时序预测模型对分组后的客观数据进行分析预测得到时序预测值，并对时序预测值进行赋权；

S323、根据客观分组数据计算客观偏好值，并对客观偏好值进行赋权；

S324、基于赋权后的权重对时序预测值及客观偏好值计算用户对产品的客观偏好度。

4.根据权利要求3所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述将分类行为数据分为主观数据和客观数据，并对主观数据和客观数据进行脱敏处理包括以下步骤：将脱敏后的主观数据和客观数据按地区和时间进行分类，并对脱敏后的主观数据和客观数据进行统计分析，以获取有关脱敏后主观数据和客观数据的平均值、标准差、最大值和最小值统计指标。

5.根据权利要求4所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据分组结果建立时序预测模型，根据时序预测模型对分组后的客观数据进行分析预测得到时序预测值，并对时序预测值进行赋权包括以下步骤：S3221、根据分类行为数据获取历史数据，对历史数据进行分析得到客观数据，并对客观数据进行预处理；

S3222、根据预处理后的客观数据构建并训练改进BP神经网络模型；

S3223、根据改进BP神经网络模型对采集的客观数据进行实时预测；

S3224、将改进BP神经网络模型的预测结果作为客观数据的时序预测值。

6.根据权利要求5所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据预处理后的客观数据构建并训练改进BP神经网络模型包括以下步骤：S32221、将预处理后的客观数据中的60％作为训练集，40％作为测试集；

S32222、选择个性化系统推荐算法构建改进BP神经网络模型，并利用所述训练集进行模型训练，所述改进BP神经网络模型的公式为：式中，RE为客观数据的时序预测值；

pa,u为客观数据之间的相似度；

vu，i为客观数据的评分向量；

hya，u为混合权重因子；

wxa为评分值个数；

Cv为分组数据第一次评分向量；

S32223、将所述测试机输入至训练完成后的改进BP神经网络模型进行测试，利用交叉验证法对改进BP神经网络模型进行多次训练和测试，计算平均误差来估测结果的精度；

S32223、根据估测结果对所述改进BP神经网络模型进行迭代。

7.根据权利要求6所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据脱敏后的主观数据计算用户的主观偏好度包括以下步骤：S331、对主观数据进行数据预分析；

S332、根据预分析后的主观数据计算主观偏好值，并对主观偏好值进行赋权计算得到主观偏好度。

8.根据权利要求7所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据预设信度将用户的主观偏好度及客观偏好度合并，并计算用户对产品的综合偏好度包括以下步骤：S41、将主观偏好度及客观偏好度分别进行赋权；

S42、根据主观偏好度的权重及客观偏好度的权重进行计算得到综合偏好度。

9.根据权利要求8所述的一种基于数据安全的用户产品偏好分析方法，其特征在于，所述根据综合偏好度分析用户对产品的购买偏好，并基于用户的综合偏好为用户推荐对应的产品包括以下步骤：S51、根据基于用户的综合偏好对用户产品综合偏好度较高的物品进行同种类物品推荐；

S52、根据用户产品综合偏好度寻找相似物品，提高相似物品推送频率，并根据用户产品的综合偏好度对相似物品进行实时价格分析，并向用户推送实时价格变化。

10.一种基于数据安全的用户产品偏好分析系统，用于实现权利要求1‑9中任一项所述的基于数据安全的用户产品偏好分析方法的步骤，其特征在于，该系统包括：数据获取模块，用于获取用户的浏览信息和购买信息，并进行分析得到用户行为参数；

数据清洗模块，用于对得到的用户行为参数进行数据清洗，并基于产品的类型对浏览及购买数据进行分类，得到分类行为数据；

行为数据分析模块，用于根据分类行为数据计算用户对产品的主观偏好度及客观偏好度；

综合偏好度获取模块，用于根据预设信度将用户的主观偏好度及客观偏好度合并，并计算用户对产品的综合偏好度；

推荐调整模块，用于根据综合偏好度分析用户对产品的购买偏好，并基于用户的综合偏好为用户推荐对应的产品。