1.一种基于深度学习的文本多意图分析方法，其特征在于，所述基于深度学习的文本多意图分析方法包括：获取待预测文本、语义训练数据集和意图训练数据集；构建初始语义特征模型，根据所述语义训练数据集训练所述初始语义特征模型，得到目标语义特征模型；根据意图的总数构建包含多个初始单意图分析模型的初始多意图分析模型，根据所述意图训练数据集训练每个初始单意图分析模型，得到初始多意图分析模型的多意图损失函数值与每个初始单意图分析模型对应的单意图损失函数值，当所述多意图损失函数值小于第一函数阈值且每个所述单意图损失函数值均小于对应的第二函数阈值，得到目标多意图分析模型，其中，每个初始单意图分析模型根据对应一个所述意图独立设置；将所述待预测文本输入所述目标语义特征模型进行预测，得到所述待预测文本的语义特征向量；将所述语义特征向量输入所述目标多意图分析模型进行预测，得到所述待预测文本的多意图分析结果。
2.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，通过如下方式得到目标多意图分析模型，包括：将所述意图训练数据集输入所述目标语义特征模型，得到数据集语义特征向量；将所述数据集语义特征向量输入每个所述初始单意图分析模型进行训练，得到每个所述初始单意图分析模型的第一单意图分析结果、第一单意图损失函数值与第一多意图分析模型，其中，所述第一单意图损失函数值的计算公式为： ，其中， 为单意图损失函数值， 为语义特征向量的批次大小， 为第i个批次的实际标签值， 为第i个批次的预测标签值；将每个所述初始单意图分析模型的第一单意图分析结果按相同顺序进行连接，得到第一单意图一维数组；根据所述第一单意图一维数组通过多分类交叉熵计算第一多意图损失函数值，其中，所述第一多意图损失函数值的计算公式为： ，其中， 为第一多意图损失函数值，B为语义特征向量的批次大小，F为第一单意图一维数组的长度， 为第i个批次的第c个数据的实际标签值， 为第i个批次的第c个数据的预测标签值；当所述第一多意图损失函数值小于第一函数阈值，且每个所述初始单意图分析模型的第一单意图损失函数值均小于对应的第二函数阈值，将所述第一多意图分析模型作为所述目标多意图分析模型。
3.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，通过如下方式得到目标多意图分析模型，包括：将所述意图训练数据集输入所述目标语义特征模型，得到数据集语义特征向量；将所述数据集语义特征向量输入每个所述初始单意图分析模型进行训练，得到每个所述初始单意图分析模型的第一单意图分析结果、第一单意图损失函数值与第一多意图分析模型，其中，所述第一单意图损失函数值的计算公式为： ，其中， 为单意图损失函数值， 为语义特征向量的批次大小， 为第i个批次的实际标签值， 为第i个批次的预测标签值；将每个所述初始单意图分析模型的第一单意图分析结果按相同顺序进行连接，得到第一单意图一维数组；根据所述第一单意图一维数组通过多分类交叉熵计算第一多意图损失函数值，其中，所述第一多意图损失函数值的计算公式为： ，其中， 为第一多意图损失函数值，B为语义特征向量的批次大小，F为第一单意图一维数组的长度， 为第i个批次的第c个数据的实际标签值， 为第i个批次的第c个数据的预测标签值；当所述第一多意图损失函数值小于第一函数阈值，且存在至少一个初始单意图分析模型的第一单意图损失函数值大于第二函数阈值，冻结第一单意图损失函数值小于第二函数阈值的初始单意图分析模型，且令所述第一单意图损失函数值小于第二函数阈值的初始单意图分析模型为训练好的第一批次单意图分析模型；筛选出第一单意图损失函数值大于第二函数阈值的初始单意图分析模型，得到第一个第二批次单意图分析模型，根据所述数据集语义特征向量与所述第一个第二批次单意图分析模型的第一单意图损失函数值对所述第一个第二批次单意图分析模型进行训练，得到第二个第二批次单意图分析模型与所述第二个第二批次单意图分析模型的第二单意图损失函数值，依次类推，直至第二批次单意图分析模型的每个单意图分析模型的单意图损失函数值小于对应的第二函数阈值，得到训练好的第二批次单意图分析模型；组合所述训练好的第一批次单意图分析模型与所述训练好的第二批次单意图分析模型，得到所述目标多意图分析模型。
4.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，通过如下方式得到目标多意图分析模型，包括：将所述意图训练数据集输入所述目标语义特征模型，得到数据集语义特征向量；将所述数据集语义特征向量输入每个所述初始单意图分析模型进行训练，得到每个所述初始单意图分析模型的第一单意图分析结果、第一单意图损失函数值与第一多意图分析模型，其中，所述第一单意图损失函数值的计算公式为： ，其中， 为单意图损失函数值， 为语义特征向量的批次大小， 为第i个批次的实际标签值， 为第i个批次的预测标签值；将每个所述初始单意图分析模型的第一单意图分析结果按相同顺序进行连接，得到第一单意图一维数组；根据所述第一单意图一维数组通过多分类交叉熵计算第一多意图损失函数值，其中，所述第一多意图损失函数值的计算公式为： ，其中， 为第一多意图损失函数值，B为语义特征向量的批次大小，F为第一单意图一维数组的长度， 为第i个批次的第c个数据的实际标签值， 为第i个批次的第c个数据的预测标签值；当所述第一多意图损失函数值大于第一函数阈值，则根据所述第一多意图损失函数值与所述数据集语义特征向量输入所述第一多意图分析模型进行训练，得到第二多意图分析模型及其输出的第二多意图损失函数值，依次类推，直至第n次迭代的第n多意图损失函数值小于第一函数阈值，得到第n多意图分析模型，其中，n为自然数；判断所述第n多意图分析模型中的每个单意图分析模型的第n单意图损失函数值是否小于对应的第二函数阈值，当每个所述单意图分析模型的第n单意图损失函数值均小于对应的第二函数阈值，则所述第n多意图分析模型为所述目标多意图分析模型。
5.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，所述根据所述语义训练数据集训练所述初始语义特征模型，得到目标语义特征模型，包括：将所述语义训练数据集输入所述初始语义特征模型进行训练，得到第一语义特征模型与所述第一语义特征模型输出的第一负对数似然函数值，当所述第一负对数似然函数值小于预设的似然函数值，则所述第一语义特征模型为所述目标语义特征模型；当所述第一负对数似然函数值大于所述似然函数值，则根据所述第一负对数似然函数值与所述语义训练数据集输入所述第一语义特征模型进行训练，得到第二语义特征模型与所述第二语义特征模型输出的第二负对数似然函数值，依次类推，直至第i次迭代的第i负对数似然函数值小于所述似然函数值，则第i语义特征模型为所述目标语义特征模型，其中，i为自然数。
6.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，通过如下方式获取语义训练数据集，包括：根据意图的总数设置专业词、同义词、常见错误和通用文本；将所述通用文本进行切分，得到切分后文本，其中，所述切分后文本的单行均不超过预设的文本最大长度；根据所述专业词、同义词、常见错误、通用文本和所述切分后文本构建所述语义训练数据集。
7.根据权利要求1所述的一种基于深度学习的文本多意图分析方法，其特征在于，通过如下方式获取意图训练数据集，包括：根据意图的总数构建所述意图训练数据集，其中，所述意图训练数据集的意图至少包括预设的意图，所述意图训练数据集的文本长度不超过所述预设的文本最大长度。
8.一种基于深度学习的文本多意图分析系统，其特征在于，所述基于深度学习的文本多意图分析系统包括：数据获取模块，用于获取待预测文本、语义训练数据集和意图训练数据集；语义特征模型训练模块，用于构建初始语义特征模型，根据所述语义训练数据集训练所述初始语义特征模型，得到目标语义特征模型；多意图分析模型训练模块，用于根据意图的总数构建包含多个初始单意图分析模型的初始多意图分析模型，根据所述意图训练数据集训练每个初始单意图分析模型，得到初始多意图分析模型的多意图损失函数值与每个初始单意图分析模型对应的单意图损失函数值，当所述多意图损失函数值小于第一函数阈值且每个所述单意图损失函数值均小于对应的第二函数阈值，得到目标多意图分析模型，其中，每个初始单意图分析模型根据对应一个所述意图独立设置；多意图分析结果输出模块，用于将所述待预测文本输入所述目标语义特征模型进行预测，得到所述待预测文本的语义特征向量；将所述语义特征向量输入所述目标多意图分析模型进行预测，得到所述待预测文本的多意图分析结果。
9.一种基于深度学习的文本多意图分析设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种基于深度学习的文本多意图分析方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种基于深度学习的文本多意图分析方法。
