1.一种基于深度学习的政务数据平台，其特征在于，该平台包括政务数据服务方法，该方法包括以下步骤，步骤S102，获得历史政务服务数据；

步骤S104，基于历史政务服务数据训练获得第一神经网络模型；

步骤S106，获得用户的新的政务服务数据；

步骤S108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；

其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；

步骤S110，评估服务人员的能力，获得服务人员的能力值；

步骤S112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务；

提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络；

所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现；

在步骤S108中，包括：

步骤S1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图；

一次随机游走包括：步骤S81,初始化游走步数为1，当前游走的实体为游走中心的实体；步骤S82,从当前游走的实体的直接联系的实体中随机选择一个，将选择的实体更新为当前游走的实体，并对游走步数累加1；步骤S83,迭代执行步骤S82，直至游走步数达到设定的步数阈值；其中，迭代执行过程中不会重复选择实体，如果出现某一迭代过程中没有新的实体可供选择，则提前终止步骤；然后将所有选择的实体记录在子图内；M次随机游走后完成以一个实体为中心生成子图的过程；其中M为设定的超参数，缺省值为10，步数阈值为设定的超参数，缺省值为10；

步骤S1082,将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的ID；输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征；

图神经网络包括K层隐藏层和一个全连接层；

图神经网络第u层的计算公式如下：

；

其中， 表示第u层的第i个节点的中间特征， 表示与节点i直接连接的节点的集合， 表示第u‑1层的第j个节点的中间特征， 表示第u层的权重参数， 表示sigmoid激活函数；

当u=1时， ，表示第j个节点的节点特征；

图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签；

其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；

问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体；

问题实体的ID是指其在问题实体库中的编号；

步骤S1083，将步骤S1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤S1081中的当前的政务服务数据中对其进行更新，然后返回步骤S1081，直至迭代执行N‑1次之后进入下一步骤；

步骤S1084，提取步骤S1083之后获得的当前的政务服务数据的N个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度；

步骤S110，计算服务人员的能力值的公式如下：

；

其中， 表示第c个服务人员的能力值，H表示第c个服务人员已经进行的政务服务的总数， 表示第c个服务人员进行的第j个政务服务的难度值。

2.根据权利要求1所述的一种基于深度学习的政务数据平台，其特征在于：该平台还包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；

所述服务端获得服务人员的能力值，并上传至云服务器；

所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。