1.互联网平台的商品推荐方法，其特征在于：所述方法包括获取用户输入商品信息特征，推荐与信息特征具有第一相关性的商品，信息特征为关键字或图片；获取尼斯分类表作为初始间推表，根据初始间推表，每隔一段时间对具有第二相关性的商品进行推荐；所述第二相关性的商品，指存在于初始间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品；抓取用户通过商品信息特征进入后，所有被推荐的第二相关性商品内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，更新初始间推表产生升级间推表作为下次使用，在新的间推表内，强需求的第二相关性商品作为下次所有第二相关性商品内的首推，低需求的第二相关性商品作为下次所有第二相关性商品内的尾推；所述第二相关性按照历史两个商品购买用户总量对相关度量化，首推和尾推的递推排序之间按照第二相关性的相关度量化排序；针对用户的历史购买行为，建立用户人格数据库；统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照它处于最高频次的降序的前20％以内，归纳定义出一种与所述三种商品相关的人格；根据人格频次Ω和第二相关性商品购买频次等分等比例获得放大因子γ，计算所述人格的用户购买高频商品的频次*γ得到相关度量化数据，比较获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据；人格频次Ω是指针对用户的历史购买行为，统计用户购买任意相同的三种商品的用户频次，不分时间先后，所述三种商品中的任意两种分别不处于同一群组下，其频次处于最高频次的降序的前20％以内的用户频次；所述初始间推表为尼斯分类表，即初始间接关联推荐表，根据关键字出现在尼斯分类表的哪个群组下，该群组的非第一相关性的剩余小商品作为产生非直接关联性的第二相关性商品推荐。
2.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：当信息特征为图片时，对输入信息特征进行特征转化，将与图片具有直接关联性的商品转化为关键字特征，以助于后续推荐；所述对输入信息特征为图片进行特征转化时，根据推荐的具有第一相关性的商品，提取关键字形成特征集，关键字特征集中出现频次最高的关键字特征作为首选。
3.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：用户购买的商品以及商品购买的频次被平台抓取后，产生平均购买间隔，至购买间隔满后，主动向用户推送该商品，根据购买频次产生的推送作为第一相关性和第二相关性商品的额外推送。
4.根据权利要求3所述的互联网平台的商品推荐方法，其特征在于：所述主动推荐的商品分为高频复购类和低频不推类，高频复购类为更换频次高的小商品，低频不推类为更换频次低的小商品，针对高频复购类，平台计算平均购买间隔，期满后复推，针对低频不推类，不进行相关推送。
5.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：平台抓取用户购买商品的风格特征关键字，并对风格特征关键字进行差异化分析，当购买商品差异化明显，包含的风格特征宽泛时，加大商品推荐范围，否则在原范围内推荐。
6.根据权利要求1所述的互联网平台的商品推荐方法，其特征在于：尼斯分类表的三个等级分类之外，还具有待分类表第46大类表，未在以尼斯分类表为基础更新的间推表内的小商品会进入第46大类表，所述第46大类表内的小商品根据用户购买量与间推表内的小商品产生强关联度后会进入该小商品所处的群组内，强关联度是指两个小商品之间存在强关联购买情况。
7.根据权利要求1-6任意一项所述的互联网平台的商品推荐方法，其特征在于：针对用户的历史购买行为，建立用户人格数据库；统计用户购买任意相同的三种商品的用户频次，所述三种商品中的任意两种分别不处于同一群组下；最高频次计为Ω1，次高为Ω2，依次类推至Ωn，按照它处于最高频次的降序的前20％以内，归纳定义出一种与所述三种商品相关的人格；即针对用户购买任意商品a、商品b和商品c；其中，商品a和商品b、商品b和商品c、商品a和商品c分别不处于同一群组下，且abc组合频次属于最高频次降序的20％以内；选择商品a、商品b和商品c的人归于类似群，定义ABC人格；ABC人格的用户购买不处于同一群组商品d的频次记数α；统计用户同一群组两项相同商品的频次，其中最高频次Ф1，次高频次为Ф2，再次高为Ф3，依次类推至Фm；即统计用户购买商品c0和商品c1频次记为β；将(n×20％)和(m×20％)各自按照就小的单元大于1的方式等分，若n小于m，则按照0.2n的份数等分，Ф1至Ф(0.2m)按照0.2n等分之后得等分分数常数δ；两项相同商品的最高频次等分段Ф1至Фδ的平均值/三种任意不处于同一群组商品最高频次Ω1得到因子γ1；依次类推获得γ2、γ3…γ(0.2n)首推和尾推的递推排序中，定义ABC人格的用户购买d商品的相关度频次计算按照：α乘以γ得到的值和β比对，若大于β，列为c1推荐之前；若小于β列为c1之后，依次类推获得相关度排位数据；使得定义人格的用户购买行为植入商品相关度数据体系中，优化相关度数据。
8.根据权利要求7所述的互联网平台的商品推荐方法，其特征在于：所述人格数据库区分男性和女性，且在区分男性和女性基础上；再按照年龄分为为8-18岁的青少年、18-28岁的青年、28-50的中年和50以上老年；即女性、18-28岁的ABC人格定义为：ABC-青年-女；而男性、28-50的中年的ABC人格定位为：ABC-中年-男；所述Ω、α、γ均因男性、年龄因子介入缩小范围，其数值等比例在缩小范围后计算。
9.根据权利要求7所述的互联网平台的商品推荐方法，其特征在于：所述人格数据库还包括发烧友模型其对商品性能逐级增高要求，介入在次次推之后的排序为第四项商品；或猎奇心模型，当用户认定为猎奇心人格模型，具有关键字“新产品、创意产品”的商品列为优推，介入在次次推之后的排序为第四项商品推荐中。
10.互联网平台的商品推荐装置，其特征在于：采用由权利要求7所述的互联网平台的商品推荐方法，所述装置包括用户输入模块，获取用户输入商品信息特征；第一相关性商品推荐模块，推荐与信息特征产生直接关联性的商品；第二相关性商品推荐模块，每隔一段时间对存在于间推表内，与关键字特征处于同一群组下，非直接关联性的剩余小商品进行推荐；间推表更新模块，获取尼斯分类表作为初始间推表，分析第二相关性商品推荐模块内，每个第二相关性商品的购买用户总量，产生具有强需求至低需求的第二相关性商品推荐排序，并更新初始间推表，强需求至低需求排序变化，间推表不断更新升级。
