1.一种多语种告警信息类别判定方法，其特征在于，包括以下步骤：获取待分类多语种告警信息；将待分类多语种告警信息通过预设的字词库编码为编码序列；将编码序列输入预设的高维语义特征提取模型，得到高维语义特征向量；将高维语义特征向量输入预设的告警类型分类模型，得到待分类多语种告警信息的告警类型；所述字词库通过如下方式构建：获取历史多语种告警信息；统计历史多语种告警信息中出现的汉字、各汉字出现的次数、出现的英文单词以及各英文单词出现的次数；将出现次数大于预设次数的汉字、出现次数大于预设次数的英文单词、10个阿拉伯数字、UNK、BOS以及EOS均作为字词库元素；将各字词库元素从1开始进行统一编码，得到各字词库元素的编码；将各字词库元素及各字词库元素的编码组合，得到字词库；其中，所述高维语义特征提取模型通过如下方式构建：获取历史多语种告警信息；将历史多语种告警信息通过预设的字词库编码为历史编码序列；通过历史编码序列训练预设的长短时记忆网络模型，得到高维语义特征提取模型；所述告警类型分类模型通过如下方式构建：获取历史多语种告警信息；将历史多语种告警信息通过预设的字词库编码为历史编码序列；将历史编码序列输入预设的高维语义特征提取模型，得到历史高维语义特征向量，确定各历史高维语义特征向量对应的历史多语种告警信息的告警类型，作为各历史高维语义特征向量的标签；通过各历史高维语义特征向量及各历史高维语义特征向量的标签，训练预设的三层前馈神经网络模型，得到告警类型分类模型。
2.根据权利要求1所述的多语种告警信息类别判定方法，其特征在于，所述将待分类多语种告警信息通过预设的字词库编码为编码序列的具体方法为：将待分类多语种告警信息中的，且包含在字词库中的汉字、英文单词以及阿拉伯数字，采用字词库中对应的字词库元素的编码替换；将待分类多语种告警信息中的，且未包含字词库中的汉字或英文单词采用字词库中UNK的编码替换；采用字词库中BOS的编码作为编码序列的开始，采用字词库中EOS的编码将编码序列截断或补充为固定长度，得到编码序列。
3.根据权利要求1所述的多语种告警信息类别判定方法，其特征在于，所述将编码序列输入预设的高维语义特征提取模型，得到高维语义特征向量的具体方法为：获取编码序列中各编码的one-hot向量，并依次将各编码的one-hot向量与预设的词嵌入矩阵相乘后输入预设的高维语义特征提取模型；将高维语义特征提取模型最后时刻的细胞状态，作为高维语义特征向量。
4.根据权利要求1所述的多语种告警信息类别判定方法，其特征在于，所述通过历史编码序列训练预设的长短时记忆网络模型时：以下式为长短时记忆网络模型的损失函数：其中，L( S )为历史编码序列 S 的长短时记忆网络模型的损失函数值，P t (S t )为长短时记忆网络模型输出的概率向量P t 中历史编码序列 S 的第 t 个编码s t 对应的one-hot向量S t 的概率， N 为历史编码序列 S 的编码数；以最小化长短时记忆网络模型的损失函数值为优化目标，通过批量梯度下降法优化长短时记忆网络模型；所述通过各历史高维语义特征向量及各历史高维语义特征向量的标签，训练预设的三层前馈神经网络模型时：以下式为三层前馈神经网络模型的损失函数：L( c )=- log P( c )其中，L( c )为三层前馈神经网络模型的损失函数，P( c )为输出的概率向量P中当前输入所属真实类别的概率， c 是输入高维语义特征向量所属的真实类别；以最小化三层前馈神经网络模型的损失函数为优化目标，通过批量梯度下降法优化三层前馈神经网络模型。
5.一种多语种告警信息类别判定系统，其特征在于，包括：获取模块，用于获取待分类多语种告警信息；编码模块，用于将待分类多语种告警信息通过预设的字词库编码为编码序列；特征提取模块，用于将编码序列输入预设的高维语义特征提取模型，得到高维语义特征向量；类别判定模块，用于将高维语义特征向量输入预设的告警类型分类模型，得到待分类多语种告警信息的告警类型；所述字词库通过如下方式构建：获取历史多语种告警信息；统计历史多语种告警信息中出现的汉字、各汉字出现的次数、出现的英文单词以及各英文单词出现的次数；将出现次数大于预设次数的汉字、出现次数大于预设次数的英文单词、10个阿拉伯数字、UNK、BOS以及EOS均作为字词库元素；将各字词库元素从1开始进行统一编码，得到各字词库元素的编码；将各字词库元素及各字词库元素的编码组合，得到字词库；其中，所述高维语义特征提取模型通过如下方式构建：获取历史多语种告警信息；将历史多语种告警信息通过预设的字词库编码为历史编码序列；通过历史编码序列训练预设的长短时记忆网络模型，得到高维语义特征提取模型；所述告警类型分类模型通过如下方式构建：获取历史多语种告警信息；将历史多语种告警信息通过预设的字词库编码为历史编码序列；将历史编码序列输入预设的高维语义特征提取模型，得到历史高维语义特征向量，确定各历史高维语义特征向量对应的历史多语种告警信息的告警类型，作为各历史高维语义特征向量的标签；通过各历史高维语义特征向量及各历史高维语义特征向量的标签，训练预设的三层前馈神经网络模型，得到告警类型分类模型。
6.一种计算机设备，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至4任一项所述多语种告警信息类别判定方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述多语种告警信息类别判定方法的步骤。
