1.一种基于深度学习的互联网数据深度挖掘方法，其特征在于，所述方法包括：获取电子商务推荐系统中的用户在互联网上的购物行为数据；根据所述购物行为数据构建用户的图结构；利用SLPA算法获得所述图结构中初始社区的划分结果；

根据所述图结构中用户节点的度获得每个用户节点的第一重要程度；根据每个用户节点在初始社区中的位置特征，获得每个用户节点的第二重要程度；

统计初始社区中每个用户节点对应的购物行为数据，确定出社区特征商品，根据用户节点对于所述社区特征商品的购买信息，以及所述社区特征商品的系列商品的购买信息在所属初始社区中的突出程度，获得每个用户节点对于所述初始社区中商品的综合感兴趣程度；

根据所述第一重要程度、所述第二重要程度和所述综合感兴趣程度获得每个用户节点的综合重要程度；对所述图结构利用SLPA算法进行二次社区划分，获得最终社区划分结果；

所述二次社区划分过程中利用所述综合重要程度对用户节点进行排序；

利用所述最终社区划分结果中的每个社区中的数据训练偏好推荐神经网络，利用所述偏好推荐神经网络对用户进行购物数据推荐；

所述第一重要程度的获取方法包括：

将每个用户节点直接相连的其他用户节点的度的平均值，作为邻域整体度；根据每个用户节点的度与对应所述邻域整体度，获得所述第一重要程度；

所述第二重要程度的获取方法包括：

对于一个用户节点而言，从所述用户节点开始，在所述图结构中对其他用户节点进行广度优先遍历，直至遍历到的其他用户节点与所述用户节点的初始社区不同，停止遍历，将遍历的轮数作为所述第二重要程度；

所述突出程度的获取方法包括：

所述突出程度包括第一突出程度和第二突出程度；

将所述用户节点对于所述社区特征商品的购买信息作为特征购买信息，获得所述用户节点所属初始社区中的平均特征购买信息，根据所述特征购买信息与所述平均特征购买信息的差异获得第一突出程度；

获得用户节点对于所属初始社区中的系列商品的购买数量偏差；将所述社区特征商品的系列商品按照初始社区内的购买数量进行排序，根据每个系列商品的序号以及所述购买数量偏差获得第二突出程度；

所述综合感兴趣程度的获取方法包括：

将所述第一突出程度和所述第二突出程度的乘积作为所述综合感兴趣程度；

将第一重要程度、第二重要程度和综合感兴趣程度相乘后进行归一化处理，获得综合重要程度。

2.根据权利要求1所述的一种基于深度学习的互联网数据深度挖掘方法，其特征在于，所述图结构的获取方法包括：将每个用户作为用户节点，将每个用户节点对应的购物行为数据向量化，获得购物行为数据向量，获得用户节点之间购物行为数据向量的余弦相似度，将所述余弦相似度大于预设相似阈值的用户节点相连，获得所述图结构。

3.根据权利要求1所述的一种基于深度学习的互联网数据深度挖掘方法，其特征在于，所述社区特征商品的获取方法包括：在一个初始社区中，统计每个用户节点都会购买的商品作为待选商品，将购买数量最大的待选商品作为所述社区特征商品。

4.根据权利要求1所述的一种基于深度学习的互联网数据深度挖掘方法，其特征在于，所述购买信息包括：浏览次数、购买次数、购买间隔；其中购买间隔为最近一次购买与实时时刻之间的间隔；

用户节点的所述特征购买信息与所属初始社区的所述平均特征购买信息的差异包括：浏览次数与平均浏览次数的差值、购买次数与平均购买次数的差值、以及平均购买间隔与购买间隔的差值。

5.根据权利要求1所述的一种基于深度学习的互联网数据深度挖掘方法，其特征在于，所述第二突出程度的获取方法包括：将每个系列商品的降序排序的序号进行负相关映射并归一化，获得偏差权重；

对于社区特征商品的一个系列商品而言，将用户节点对于所述系列商品的购买数量与初始社区内的平均购买数量的比值作为所述购买数量偏差；将所述偏差权重与所述购买数量偏差的乘积作为用户节点对于所述系列商品的初始突出程度；

将用户节点对于所有所述系列商品的所述初始突出程度累加后进行归一化处理，获得所述第二突出程度。

6.一种基于深度学习的互联网数据深度挖掘系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1 5任意一项所述一种基于深度学习的互联网数据深度挖掘方~法的步骤。