1.一种基于深度学习的业务会话风险处理方法，其特征在于，包括以下步骤：步骤S1：获取业务会话数据；对业务会话数据进行数据预处理，从而生成标准业务会话数据；

步骤S2：将标准业务会话数据进行会话文字段长检测处理，生成会话文字段数据；对会话文字段数据进行数据切割处理，生成会话文字数据；

步骤S3：根据傅里叶变换对会话文字数据进行图像转化处理，得到会话文字图像数据；

对会话文字图像数据进行边缘区域划分处理，从而生成文字图像网格；将文字图像网格进行图像去噪处理，生成降噪文字图像网格；

步骤S4：基于笛卡尔坐标系对降噪文字图像网格进行空间坐标映射处理，生成三维文字空间曲线；对三维文字空间曲线进行空间文字曲率检测，得到空间文字曲率数据；

步骤S5：利用空间异常文字敏感程度公式对空间文字曲率数据进行敏感文字识别处理，生成异常敏感文字数据和正常敏感文字数据；将异常敏感文字数据与正常敏感文字数据进行数据重合比对处理，生成文字敏感数据；

步骤S6：基于长短期记忆网络对文字敏感数据进行序列建模处理，生成会话风险预模型；利用损失函数对会话风险预模型进行模型迭代训练处理，从而生成业务会话风险识别模型；

步骤S7：将业务会话数据导入业务会话风险识别模型进行风险识别预测处理，生成业务会话风险识别方案。

2.根据权利要求1所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S1包括以下步骤：步骤S11：根据业务系统数据源中获取业务会话数据；

步骤S12：将业务会话数据进行数据清洗处理，生成业务清洗数据；

步骤S13：基于数据仓库对业务清洗数据进行数据集成处理，生成业务集成数据；

步骤S14：利用卡方检验对业务集成数据进行数据规约处理，从而生成业务规约数据；

步骤S15：通过模糊量化法对业务规约数据进行数据标准化处理，生成标准业务会话数据。

3.根据权利要求2所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S2包括以下步骤：步骤S21：根据自然语言技术对标注业务会话数据进行词性标注处理，生成业务文本数据；

步骤S22：基于预设的停用词规则对业务文本数据进行文本过滤，剔除无用的业务文本数据，得到业务文本过滤数据；

步骤S23：利用分界符对业务文本过滤数据进行字段分割处理，生成会话文字段数据；

步骤S24：将会话文字段数据与预设的字段最大长度进行长度对比处理，使会话文字段数据长度符合字段最大长度，生成会话文字均段数据；

步骤S25：将平均会话文字均段数据进行数据切割处理，生成会话文字数据。

4.根据权利要求3所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S3包括以下步骤：步骤S31：将会话文本数据进行空白字符切分处理，得到会话字符序列；

步骤S32：根据傅里叶变换对会话字符序列进行相位谱转换处理，得到会话频域图像；

步骤S33：利用Min‑Max归一化方法将会话频域图像进行图像归一化处理，生成会话归一化图像；

步骤S34：对会话归一化图像进行边缘区域检测处理，得到会话边缘图像；将会话边缘图像进行精确化处理，生成会话字符边缘坐标；

步骤S35：通过边缘检测算法获取字符边缘坐标位置，得到水平字符边缘坐标和垂直字符边缘坐标；对水平字符边缘坐标和垂直字符边缘坐标进行时间序列测量处理，得到水平字符边缘起始坐标、水平字符边缘终止坐标、垂直字符边缘起始坐标和垂直字符边缘终止坐标；

步骤S36：基于水平字符边缘起始坐标、水平字符边缘终止坐标、垂直字符边缘起始坐标和垂直字符边缘终止坐标进行行列计算，生成会话字符行数和会话字符列数；根据会话字符行数和会话字符列数对会话边缘图像进行像素点分割，生成文字图像网格；

步骤S37：根据中值滤波将文字图像块进行图像去噪处理，生成降噪文字图像网格。

5.根据权利要求4所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S4包括以下步骤：步骤S41：根据笛卡尔空间坐标系对降噪文字图像网格进行三维点映射处理，生成文字图像离散点；

步骤S42：利用曲线拟合算法将文字图像离散点进行相邻连接处理，从而生成空间文字曲线；

步骤S43：根据空间文字曲率检测公式对空间文字曲线进行曲率检测处理，生成空间文字曲率数据。

6.根据权利要求5所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S43中的空间文字曲率检测公式如下所示：式中，R表示为业务会话在空间坐标系中的路径所呈现出的弯曲程度，L表示为业务会话通过的空间长度，d表示为微分符号，r表示为业务会话在空间坐标系中所处位置点的位置向量，s表示为业务会话在空间坐标系中行进路程的参量，a表示为业务对话风险因子，t表示为空间文字曲线数量，n表示为文本字符数，bi表示为相邻两个空间文字曲线对应坐标之间的距离，xi表示为第i个空间文字映射到三维空间坐标系中的横坐标，yi表示为第i个空间文字映射到三维空间坐标系中的纵坐标，zi表示为第i个空间文字映射到三维空间坐标系中的竖坐标，表示为空间文字曲率异常调整值。

7.根据权利要求5所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S5包括以下步骤：步骤S51：利用空间异常文字敏感程度公式对空间文字曲率数据进行异常文字敏感计算，得到敏感文字识别阈值；

步骤S52：对空间文字曲率数据进行敏感数据遍历处理，生成候选敏感文字空间曲线；

步骤S53：将候选敏感文字曲率与敏感文字识别阈值进行对比，当候选敏感文字曲率大于敏感文字识别阈值时，则标记为异常敏感文字数据，当候选敏感文字曲率小于或等于敏感文字识别阈值时，则标记为正常敏感文字数据；

步骤S54：利用K‑means聚类算法将异常敏感文字数据和正常敏感文字数据进行重合相似度计算处理，生成异常敏感文字相似数据和正常敏感文字相似数据；

步骤S55：将异常敏感文字相似数据与正常敏感文字相似数据进行数据合并，得到文字敏感数据。

8.根据权利要求7所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S51中的空间异常文字敏感程度公式如下所示：式中，S表示为文本空间异常文字敏感程度，N表示为被测量的空间位置数目，di表示为第i个空间位置的距离，c表示为让敏感程度测量结果尽量接近的理想值，u表示为有多少空间位置会达到给定的理想值，v1表示为对距离取对数时用于缩放因子，v2表示为对距离取对数时的平移常数，v3表示为正弦函数的振幅，v4表示为正弦函数周期的倍数，ε表示为常数项，oi表示为第i个单词在向量空间中的坐标，fc表示为将文本转化为频域的载波频率，ti表示为第i个单词在文本中出现的时间戳，ω表示为空间异常文字敏感程度修正量。

9.根据权利要求7所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S6包括以下步骤：步骤S61：对文字敏感数据进行时间序列化处理，生成文字敏感时间步；

步骤S62：根据长短期记忆网络对文字敏感时间步进行数据依赖关系捕捉处理，生成文字敏感时序特征数据；

步骤S63：基于预设的网络结构对文字敏感时序特征数据进行模型构建处理，生成会话风险预模型；

步骤S64：利用损失函数对预模型进行模型迭代处理，生成业务会话迭代模型；

步骤S65：通过对文字敏感数据进行历史数据收集处理，得到历史文字敏感数据；

步骤S66：根据梯度下降算法将历史文字敏感数据导入业务会话迭代模型进行模型调整，从而生成业务会话风险识别模型。

10.根据权利要求9所述的一种基于深度学习的业务会话风险处理方法，其特征在于，步骤S7包括以下步骤：步骤S71：将业务会话数据进行风险特征提取处理，生成业务会话风险特征数据；

步骤S72：利用业务会话风险识别模型对业务会话风险特征数据进行风险识别预测，生成业务会话风险识别方案，其中包括低风险方案、中风险方案和高风险方案；

步骤S73：基于业务会话风险识别模型对低风险方案、中风险方案和高风险方案进行智能调度处理，当业务会话风险识别模型检测为低风险方案时，对业务会话数据进行监控处理；当业务会话风险识别模型检测为中风险方案时，对业务会话数据进行用户调查确认和限制相关业务操作；当业务会话风险识别模型检测为高风险方案时，对业务会话数据进行会话终止。