1.一种孪生网络的测试样本类别确定方法，其特征在于，所述方法包括：通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取所述任一样本在所述任一类别中所占的权重；

根据所述任一类别中各样本的向量表示和各样本的所述权重确定所述任一类别的类别表示；

通过所述孪生网络获取测试样本的样本向量表示，根据所述样本向量表示和所述训练样本中所有类别的类别表示构建样本对，其中，所述样本向量表示与一个类别的类别表示构建一个样本对；

将各样本对输入所述孪生网络，通过所述孪生网络确定各类别表示与所述样本向量表示的相似度，基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别。

2.根据权利要求1所述的方法，其特征在于，所述获取所述任一样本在所述任一类别中所占的权重包括：获取所述任一样本在所述任一类别中所占的初始权重，根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示；

根据所述任一类别的初始类别表示与所述任一样本的向量表示的相似度，对所述任一样本的所述初始权重进行更新以得到所述任一样本的目标权重；

若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度不小于预设相似度阈值，则将所述目标权重确定为所述任一样本在所述任一类别中所占用的权重。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度小于所述预设相似度阈值，则将所述目标权重作为所述任一样本的初始权重并执行根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示的步骤。

4.根据权利要求2所述的方法，其特征在于，所述通过所述孪生网络确定各类别表示与所述样本向量表示的相似度包括：通过所述孪生网络计算所述训练样本中各类别的类别表示与所述样本向量表示之间的欧式距离；

基于各类别表示与所述样本向量表示之间的欧式距离，确定各类别表示与所述样本向量表示的相似度。

5.根据权利要求4所述的方法，其特征在于，所述基于各类别的类别表示与所述样本向量表示的相似度确定所述测试样本的类别包括：比较各类别表示与所述样本向量表示之间的欧式距离的大小，将与所述样本向量表示之间的欧式距离最小的类别表示对应的类别作为所述测试样本的类别。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述任一类别中各样本的向量表示和各样本的所述权重确定所述任一类别的类别表示包括：将所述任一类别中各样本的向量表示与各样本的所述权重进行点乘，得到所述任一类别中各样本加权后的向量表示；

将所述任一类别中各样本加权后的向量表示进行相加，并将相加后的结果进行归一化处理，得到所述任一类别的类别表示。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述训练样本中一个类别的样本包括至少两个患者的训练样本数据，其中患者的训练样本数据包括患者的症状描述信息和/或病历信息；

所述测试样本为目标患者的症状描述信息和/或病历信息。

8.一种孪生网络的测试样本类别确定装置，其特征在于，所述装置包括：获取模块，用于通过孪生网络获取训练样本中任一类别的任一样本的向量表示，并获取所述任一样本在所述任一类别中所占的权重；

确定模块，还用于根据所述获取模块获取到的任一类别中各样本的向量表示以及各样本的所述权重确定所述任一类别的类别表示；

样本对构建模块，用于通过所述孪生网络获取测试样本的样本向量表示，根据所述样本向量表示和所述确定模块确定的所述训练样本中所有类别的类别表示构建样本对，其中所述样本向量表示与一个类别的类别表示构建一个样本对；

所述确定模块，还用于将所述样本对构建模块构建的各样本对输入所述孪生网络，通过所述孪生网络确定各类别表示与所述样本向量表示的相似度，并基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别。

9.一种终端设备，其特征在于，包括收发器、处理器和存储器，所述收发器和所述处理器连接，所述处理器和存储器连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。