1.一种基于在线业务交互的大数据异常AI分析方法，其特征在于，应用于人工智能服务器，所述方法包括：

依据待分析在线业务交互文本通过第一人工智能网络进行文本抽取操作，得到所述待分析在线业务交互文本中的待分析文本单元；

依据所述待分析文本单元通过第二人工智能网络进行文本知识挖掘操作，得到所述待分析文本单元的交互文本知识向量；

获取文本单元池中每个异常文本单元对应的交互文本知识向量，确定所述待分析文本单元的交互文本知识向量与所述每个异常文本单元的交互文本知识向量之间的知识向量差异；

将所述知识向量差异中的目标知识向量差异对应的所述异常文本单元所属的数据异常标签，作为所述待分析文本单元所属的数据异常标签；

其中，所述依据待分析在线业务交互文本通过第一人工智能网络进行文本抽取操作，得到所述待分析在线业务交互文本中的待分析文本单元之前，所述方法还包括：通过基础的所述第一人工智能网络对在线业务重构文本集中每个在线业务重构文本进行文本抽取操作，得到文本抽取结果；

依据所述文本抽取结果获取基础的所述第一人工智能网络的窗口预测代价以及标签判别代价，依据所述标签判别代价以及所述窗口预测代价调试基础的所述第一人工智能网络；

通过基础的所述第二人工智能网络对所述异常文本单元集中每个异常文本单元进行文本知识挖掘操作，得到每个所述异常文本单元的高亮注释知识向量；

依据每个所述高亮注释知识向量获取基础的所述第二人工智能网络的迭代代价，依据所述迭代代价调试基础的所述第二人工智能网络；

其中，所述方法还包括：获取待选择的多个异常文本单元，对所述多个异常文本单元进行文本单元归纳，得到异常文本单元集；获取待选择的多个示例会话文本，清洗掉不满足设定要求的所述示例会话文本，将保留的所述示例会话文本整合成示例会话文本集，其中，所述设定要求为所述示例会话文本不包含异常文本单元；依据所述异常文本单元集与所述示例会话文本集生成在线业务重构文本集，其中，所述在线业务重构文本集中每个在线业务重构文本包括：所述异常文本单元集中的一个所述示例会话文本，所述示例会话文本集中的至少一个所述异常文本单元；

其中，所述依据每个所述高亮注释知识向量获取基础的所述第二人工智能网络的迭代代价，依据所述迭代代价调试基础的所述第二人工智能网络，包括：依据每个所述异常文本单元的高亮注释知识向量确定相同数据异常标签的异常文本单元之间的第一共性度量，以及相异数据异常标签的异常文本单元之间的第二共性度量；确定每个所述第一共性度量对应的偏心系数以及每个所述第二共性度量对应的偏心系数；依据每个所述第二共性度量、每个所述第二共性度量对应的偏心系数、每个所述第一共性度量以及每个所述第一共性度量对应的偏心系数，确定所述基础的第二人工智能网络的迭代代价；依据所述迭代代价对所述基础的第二人工智能网络进行反馈调试，得到所述基础的第二人工智能网络对应的改进变量，将所述基础的第二人工智能网络中对应的变量修改为所述改进变量，得到调试后的所述第二人工智能网络；

其中，所述确定每个所述第一共性度量对应的偏心系数以及每个所述第二共性度量对应的偏心系数，包括：获取所述第一共性度量中的第一基准共性度量，并将所述第一基准共性度量与每个所述第一共性度量的比较结果，分别作为每个所述第一共性度量对应的偏心系数；获取所述第二共性度量中的第二基准共性度量，并将所述第二基准共性度量与每个所述第二共性度量的比较结果，分别作为每个所述第二共性度量对应的偏心系数；

其中，所述对所述多个异常文本单元进行文本单元归纳，得到异常文本单元集，包括：依据每个所述异常文本单元的注释类别对每个所述异常文本单元进行标签预添加，得到每个所述异常文本单元对应的前序数据异常标签；依据每两个所述异常文本单元之间的细节配对结果，确定冗余的异常文本单元，并将所述冗余的异常文本单元对应的前序数据异常标签进行文本单元归纳，将经过所述文本单元归纳后得到的所述异常文本单元整合成异常文本单元集；所述清洗掉不满足设定要求的所述示例会话文本，包括：对每个所述示例会话文本进行文本抽取操作，得到目标示例会话文本以及对应的可信系数，其中，所述目标示例会话文本中包括异常文本单元；清洗掉可信系数大于可信系数阈值的所述目标示例会话文本；

其中，所述依据所述异常文本单元集与所述示例会话文本集生成在线业务重构文本集，包括：对所述示例会话文本集中每个示例会话文本进行如下操作：对所述示例会话文本进行文本内容拆解，得到所述示例会话文本中的目标会话文本；针对每个所述示例会话文本的目标会话文本执行如下操作：从所述异常文本单元集中获取至少一个异常文本单元，依据所述目标会话文本对所述至少一个异常文本单元与所述示例会话文本进行文本重构处理，得到所述示例会话文本对应的在线业务重构文本；将依据每个所述示例会话文本得到的所述在线业务重构文本整合成在线业务重构文本集；

其中，所述依据所述目标会话文本对所述至少一个异常文本单元与所述示例会话文本进行文本重构处理，得到所述示例会话文本对应的在线业务重构文本，包括：依据所述示例会话文本的规模对所述至少一个异常文本单元进行规模调整；依据设定可能性选取规模调整后的所述异常文本单元进行权重分配；依据设定分布命中变量确定所述目标会话文本中的至少一个重构分布特征，并基于每个所述重构分布特征，将所述至少一个异常文本单元增添至所述示例会话文本中，得到所述示例会话文本对应的在线业务重构文本，其中，每个所述重构分布特征与所述示例会话文本的基准分布特征的特征距离，与每个所述重构分布特征对应的所述设定分布命中变量具有设定量化关系；

其中，所述依据所述文本抽取结果获取基础的所述第一人工智能网络的窗口预测代价以及标签判别代价，依据所述标签判别代价以及所述窗口预测代价调试基础的所述第一人工智能网络，包括：获取所述在线业务重构文本集中每个在线业务重构文本对应的先验指导，将所述先验指导作为判别期望，其中，每个在线业务重构文本对应的所述先验指导包括：所述在线业务重构文本中的异常文本单元以及每个所述异常文本单元对应的分布特征；依据所述判别期望与所述文本抽取结果，确定所述基础的第一人工智能网络的标签判别代价以及窗口预测代价；依据所述标签判别代价以及所述窗口预测代价确定基础的所述第一人工智能网络的改进变量，将基础的所述第一人工智能网络中对应的变量修改为所述改进变量，得到调试后的所述第一人工智能网络。

2.根据权利要求1所述的方法，其特征在于，所述依据待分析在线业务交互文本通过第一人工智能网络进行文本抽取操作，得到所述待分析在线业务交互文本中的待分析文本单元，包括：依据所述待分析在线业务交互文本通过所述第一人工智能网络对所述待分析在线业务交互文本进行多个阶段的文本细节调整操作，得到每个阶段对应的文本细节调整向量集，其中，除末尾阶段以外的每个阶段的文本细节调整向量集，用于视作下一阶段的文本细节调整操作的原料；

对每个所述文本细节调整向量集进行向量聚合操作，得到所述待分析在线业务交互文本的文本细节聚合向量集；

依据所述文本细节聚合向量集对所述待分析在线业务交互文本进行文本窗口解析操作，得到待分析注释的文本窗口；

依据所述文本窗口对所述待分析在线业务交互文本进行拆解处理，得到所述待分析在线业务交互文本中的所述待分析文本单元；

其中，所述交互文本知识向量包括高亮注释知识向量以及注释类别；所述将所述知识向量差异中的目标知识向量差异对应的所述异常文本单元所属的数据异常标签，作为所述待分析文本单元所属的数据异常标签之后，所述方法还包括：将所述文本窗口的分布特征、所述待分析文本单元的注释类别以及所述待分析文本单元所属的数据异常标签，整合成大数据异常分析报告。

3.根据权利要求1所述的方法，其特征在于，所述交互文本知识向量包括高亮注释知识向量；所述依据所述待分析文本单元通过第二人工智能网络进行文本知识挖掘操作，得到所述待分析文本单元的交互文本知识向量，包括：依据所述待分析文本单元通过所述第二人工智能网络进行内容表征知识挖掘操作，得到所述待分析文本单元的对应的文本内容表征知识，将所述文本内容表征知识由第一输出模式变更成第二输出模式，得到所述待分析文本单元的高亮注释知识向量。

4.根据权利要求1所述的方法，其特征在于，所述交互文本知识向量包括高亮注释知识向量；所述获取文本单元池中每个异常文本单元对应的交互文本知识向量，确定所述待分析文本单元的交互文本知识向量与所述每个异常文本单元的交互文本知识向量之间的知识向量差异，包括：获取所述文本单元池中每个所述异常文本单元对应的高亮注释知识向量，并对每个所述异常文本单元对应的高亮注释知识向量进行如下操作：对所述待分析文本单元的高亮注释知识向量与所述异常文本单元的高亮注释知识向量进行特征运算，得到高亮注释比较向量；依据所述高亮注释比较向量确定知识向量差异。

5.根据权利要求1所述的方法，其特征在于，所述交互文本知识向量包括高亮注释知识向量以及注释类别；所述将所述知识向量差异中的目标知识向量差异对应的所述异常文本单元所属的数据异常标签，作为所述待分析文本单元所属的数据异常标签，包括：当所述知识向量差异中的目标知识向量差异不大于知识向量差异阈值时，将所述知识向量差异中的目标知识向量差异对应的所述异常文本单元所属的数据异常标签，作为所述待分析文本单元所属的数据异常标签；

当所述所述知识向量差异中的目标知识向量差异大于知识向量差异阈值时，通过所述第二人工智能网络对所述待分析文本单元进行用户操作行为捕捉，得到所述待分析文本单元中的用户操作行为信息，对所述用户操作行为信息进行行为倾向判别，得到所述待分析文本单元的注释类别；

依据所述待分析文本单元的注释类别对所述文本单元池中的每个所述异常文本单元的注释类别进行配对处理，将与所述待分析文本单元的注释类别配对的目标异常文本单元作为所述知识向量差异中的目标知识向量差异对应的所述异常文本单元，将所述目标异常文本单元所属的数据异常标签作为所述待分析文本单元所属的数据异常标签。

6.根据权利要求1所述的方法，其特征在于，所述获取文本单元池中每个异常文本单元对应的交互文本知识向量之前，所述方法还包括：通过所述第二人工智能网络对每个所述异常文本单元进行文本知识挖掘操作，得到每个所述异常文本单元的交互文本知识向量；

依据所述交互文本知识向量对每个所述异常文本单元进行标签判别，得到每个所述异常文本单元所属的数据异常标签；

将每个所述异常文本单元、每个所述异常文本单元的交互文本知识向量以及每个所述异常文本单元与所属的数据异常标签之间的映射链，记录于所述文本单元池中。

7.根据权利要求1所述的方法，其特征在于，所述获取文本单元池中每个异常文本单元对应的交互文本知识向量之后，所述方法还包括：获取多个扩展异常文本单元，通过所述第二人工智能网络对每个所述扩展异常文本单元进行文本知识挖掘操作，得到每个所述扩展异常文本单元对应的交互文本知识向量；

依据每个所述扩展异常文本单元对应的交互文本知识向量，确定每个所述扩展异常文本单元所属的数据异常标签，其中，所述所属的数据异常标签包括第一异常标签以及第二异常标签；

将每个所述扩展异常文本单元、每个所述扩展异常文本单元的交互文本知识向量以及每个所述扩展异常文本单元与所属的数据异常标签之间的映射链，记录于所述文本单元池中。

8.一种人工智能服务器，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如权利要求1-7中任意一项所述的方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1-7中任意一项所述的方法。