1.一种基于有监督的多模型编码映射推荐方法，其特征在于，包括以下步骤：步骤1、使用采集设备收集原KKS编码列表 ，其中 为原编码；使用采集设备收集新KKS编码列表 ，其中 为新编码；步骤2、将步骤1获得的原KKS编码列表 、新KKS编码列表 进行人工匹配，得到 ， 组成监督匹配模型训练数据集 D ；步骤3、将监督匹配模型训练数据集 D 中的数据采用Jieba分词工具进行分词，得到分词结果；通过分词结果和唯一编码构建分词字典，唯一编码指分词字典中分配的id编号，再通过分词字典进行编码，得到数字化编码 ；步骤4、将数字化编码 输入到基于有监督的多模型匹配网络的嵌入层，得到向量化特征；然后将向量化特征输入多模型编码映射模型，多模型编码映射模型的输出结果经过基于有监督的多模型匹配网络的全连接层，得到映射向量；步骤5、由步骤4得到的映射向量，计算得到各映射向量之间的相关性系数，并根据各映射向量之间的相关性系数设置阈值 θ ：上式中， 、 、 分别为解码特征 、 、 通过基于有监督的多模型匹配网络的全连接层，分别得到的映射向量； 为计算协方差的公式， 为求解方差的函数；步骤6、由步骤5设置的阈值 θ 选择融合策略，得到融合特征；步骤7，根据步骤6得到的融合特征计算最终的编码结果，并将编码结果输出至存储设备。
2.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于，步骤1使用采集设备收集原KKS编码列表和新KKS编码列表时：通过运行在采集设备上的预制数据抽取脚本进行数据抽取，并将抽取得到的原KKS编码列表和新KKS编码列表存储于对应的关系型数据库中。
3.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于：步骤2在采集设备提供的操作页面上进行原KKS编码列表 、新KKS编码列表 的人工匹配。
4.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于，步骤3中通过分词字典进行编码时：将分词结果按照分词字典进行数字化转换，并根据数字化字符串长度进行缺失填补。
5.根据权利要求4所述基于有监督的多模型编码映射推荐方法，其特征在于，根据数字化字符串长度进行缺失填补时：采用0对缺失值进行填补，将数字化字符串长度扩充至18。
6.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于，步骤4具体包括如下步骤：步骤4.1、将数字化编码 输入到基于有监督的多模型匹配网络的嵌入层，得到向量化特征 ，将向量化特征 输入到多层神经网络：其中，多层神经网络由编码多层神经网络 与解码多层神经网络 组成；向量化特征 输入编码多层神经网络 得到隐层变量 ；将隐层变量 再输入解码多层神经网络 ，得到解码特征 ；步骤4.2、将步骤4.1中的向量化特征 输入到长短期记忆网络:长短期记忆网络由编码长短期记忆网络 与解码长短期记忆网络 组成；向量化特征 输入编码长短期记忆网络 得到隐层变量 ，将隐层变量 再输入解码长短期记忆网络，得到解码特征 ；步骤4.3、将步骤4.1中的向量化特征 输入到注意力网络:注意力网络由编码注意力网络 与解码注意力网络 组成；将向量化特征 输入到编码注意力网络 得到隐层变量 ，将隐层变量 再输入解码注意力网络 得到解码特征 ；步骤4.4、将步骤4.1至步骤4.3得到的解码特征 、 、 通过基于有监督的多模型匹配网络的全连接层，分别得到映射向量 、 、 :上式中， 为解码特征 的权重值， 为解码特征 的偏置量； 为解码特征 的权重值， 为解码特征 的偏置量； 为解码特征 的权重值， 为解码特征 的偏置量。
7.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于：步骤4中基于有监督的多模型匹配网络、多模型编码映射模型的输入数据均为64*18的格式，其中64为批次数据量，18为编码数字化特征。
8.根据权利要求6所述基于有监督的多模型编码映射推荐方法，其特征在于：步骤4.1中多层神经网络第一层和第二层为编码多层神经网络 ，多层神经网络第三层和第四层为解码多层神经网络 ，多层神经网络中上一层的输出作为后一层的输入；多层神经网络第一层的输出为64*18，多层神经网络第二层的输出为64*10，多层神经网络第三层的输出为64*10，多层神经网络第四层的输出为64*18；步骤4.2中长短期记忆网络第一层和第二层为编码长短期记忆网络 ，长短期记忆网络第三层和第四层为解码长短期记忆网络 ；长短期记忆网络中上一层的输出作为后一层的输入；长短期记忆网络第一层的输出为64*18，长短期记忆网络第二层的输出为64*10，长短期记忆网络第三层的输出为64*10，长短期记忆网络第四层的输出为64*18；步骤4.3中注意力网络第一层和第二层为编码注意力网络 ，注意力网络第三层和第四层为解码注意力网络 ；注意力网络中上一层的输出作为后一层的输入；注意力网络第一层的输出为64*18，注意力网络第二层的输出为64*10，注意力网络第三层的输出为64*10，注意力网络第四层的输出为64*18。
9.根据权利要求1或6所述基于有监督的多模型编码映射推荐方法，其特征在于，步骤6具体包括如下步骤：步骤6.1、若所有映射向量之间的相关性系数均大于阈值 θ ，则对所有映射向量采用最大值融合策略：步骤6.2、若所有映射向量之间的相关性系数均小于阈值 θ ，则对所有映射向量采用均值融合策略： 。
10.根据权利要求1所述基于有监督的多模型编码映射推荐方法，其特征在于：步骤7根据融合特征计算最终的编码结果后，以Json形式构建编码结果的消息内容，并通过数据接口向外发布编码结果。
