1.一种业务大数据挖掘方法，其特征在于，应用于数据挖掘云平台，所述数据挖掘云平台与业务终端通信连接，所述方法包括：响应于数据挖掘指令，接收所述业务终端发送的业务数据集，通过所述业务数据集获取所述业务数据集对应的j个起始业务数据子集以及各个起始业务数据子集对应的业务知识向量；

针对各个所述起始业务数据子集，通过所述起始业务数据子集的业务知识向量，获取所述起始业务数据子集对应的影响因子；

通过各个所述起始业务数据子集对应的影响因子，对所述j个起始业务数据子集各自对应的业务知识向量进行提取，得到i个最终业务数据子集以及各个最终业务数据子集对应的业务知识向量，其中，所述j＞所述i，且所述j和所述i均为大于等于1的正整数；

通过各个所述最终业务数据子集对应的业务知识向量，获取所述业务数据集的数据归属信息；

其中，所述通过各个所述起始业务数据子集对应的影响因子，对所述j个起始业务数据子集各自对应的业务知识向量进行提取，得到i个最终业务数据子集以及各个最终业务数据子集对应的业务知识向量，包括：通过各个所述起始业务数据子集对应的影响因子，获取所述影响因子对应的向量排列数表matrix1，所述向量排列数表matrix1对应的数表维数为j·i；

对所述向量排列数表matrix1进行维数转置，得到数表维数为i·j的向量排列数表matrix2；

通过所述向量排列数表matrix2和所述起始业务数据子集的业务知识向量对应的业务数据数表，对所述j个起始业务数据子集各自对应的业务知识向量进行提取，得到所述i个最终业务数据子集以及各个最终业务数据子集对应的业务知识向量；

所述通过各个所述最终业务数据子集对应的业务知识向量，获取所述业务数据集的数据归属信息，包括：将所述最终业务数据子集确定为又一起始业务数据子集，其中，更新后的所述起始业务数据子集的数量为更新后的j；

重复所述针对各个所述起始业务数据子集，通过所述起始业务数据子集的业务知识向量，获取所述起始业务数据子集对应的影响因子的步骤直到满足预设的重复次数，通过最后获取的各个最终业务数据子集对应的业务知识向量，获取所述业务数据集对应的数据归属支持度；

通过所述数据归属支持度，获取所述业务数据集的数据归属信息。

2.根据权利要求1所述的方法，其特征在于，所述针对各个所述起始业务数据子集，通过所述起始业务数据子集的业务知识向量，获取所述起始业务数据子集对应的影响因子，包括：针对各个所述起始业务数据子集，对所述起始业务数据子集对应的业务知识向量进行主成分分析，得到所述起始业务数据子集对应的重构业务知识向量；

通过各个所述起始业务数据子集对应的重构业务知识向量，获取各个所述起始业务数据子集对应的融合偏心系数，所述融合偏心系数是对起始业务数据子集的重构业务知识向量执行标准化加权操作的权值数据；

通过各个所述起始业务数据子集对应的融合偏心系数，对所述各个起始业务数据子集对应的重构业务知识向量进行尺度融合处理，得到尺度融合处理后的重构业务知识向量，所述尺度融合处理为通过各个起始业务数据子集对应的融合偏心系数，对各个起始业务数据子集相应的重构业务知识向量进行标准化加权；

对所述尺度融合处理后的重构业务知识向量进行向量整合操作，得到第一临时知识向量，其中，所述第一临时知识向量的向量维数小于所述重构业务知识向量的向量维数；

通过各个所述起始业务数据子集对应的第一临时知识向量，获取各个所述起始业务数据子集对应的影响因子。

3.根据权利要求2所述的方法，其特征在于，所述对所述尺度融合处理后的重构业务知识向量进行向量整合操作，得到第一临时知识向量，包括：通过所述尺度融合处理后的重构业务知识向量，获取所述尺度融合处理后的重构业务知识向量对应的降维偏心系数，所述降维偏心系数表示重构业务知识向量的向量维数进行降维时，对维数的下降梯度；

依据所述降维偏心系数，对所述尺度融合处理后的重构业务知识向量进行向量整合操作，得到所述第一临时知识向量；

所述通过各个所述起始业务数据子集对应的第一临时知识向量，获取各个所述起始业务数据子集对应的影响因子，包括：对各个所述第一临时知识向量进行单调转换，并对单调转换后的所述第一临时知识向量进行向量整合操作，得到各个所述第一临时知识向量对应的第二临时知识向量；

通过各个所述第二临时知识向量，获取各个所述起始业务数据子集对应的影响因子。

4.根据权利要求3所述的方法，其特征在于，通过所述业务数据集获取所述业务数据集的数据归属信息是基于预设的业务数据挖掘模型进行的，所述业务数据挖掘模型的调校过程包括以下步骤：获取业务数据集样本并将所述业务数据集样本加载到拟调校的业务数据挖掘模型；

基于所述拟调校的业务数据挖掘模型对所述业务数据集样本进行处理，获取所述业务数据挖掘模型中的各个聚合模块输出的推理业务知识向量vector1，以及获取所述业务数据集样本对应的推理归属结果forecast1，其中，所述聚合模块用于通过业务数据集样本对应的起始推理业务数据子集的业务知识向量，获取所述起始推理业务数据子集的影响因子，以及通过各个所述起始推理业务数据子集对应的影响因子，对k个起始推理业务数据子集各自对应的业务知识向量进行提取，得到l个最终推理业务数据子集以及各个最终推理业务数据子集对应的推理业务知识向量vector1；

将所述业务数据集样本加载到事先调校完成的主迁移学习网络，并基于所述主迁移学习网络对所述业务数据集样本进行处理，获取所述主迁移学习网络中的各个聚合模块输出的推理业务知识向量vector2，以及获取所述业务数据集样本对应的推理归属结果forecast2，所述主迁移学习网络为通过业务数据挖掘模型生成的事先调校完成的神经网络；

通过所述推理业务知识向量vector1、所述推理业务知识向量vector2、所述推理归属结果forecast1和所述推理归属结果forecast2，获取所述拟调校的业务数据挖掘模型的推理质量评估因子，并基于所述推理质量评估因子对所述拟调校的业务数据挖掘模型进行重复调校直到符合预定要求，获得调校完成的业务数据挖掘模型。

5.根据权利要求4所述的方法，其特征在于，所述通过所述推理业务知识向量vector1、所述推理业务知识向量vector2、所述推理归属结果forecast1和所述推理归属结果forecast2，获取所述拟调校的业务数据挖掘模型的推理质量评估因子，包括：针对所述拟调校的业务数据挖掘模型中的各个所述聚合模块，通过各个推理业务知识向量vector1，获取k个复原推理业务知识向量，其中，所述k为所述业务数据集样本对应的起始推理业务数据子集的个数；

通过所述k个复原推理业务知识向量和所述推理业务知识向量vector2，获取所述聚合模块对应的质量评估因子loss1；

通过所述推理归属结果forecast1和所述推理归属结果forecast2，获取所述拟调校的业务数据挖掘模型的质量评估因子loss2；

通过各个所述聚合模块对应的质量评估因子loss1和所述质量评估因子loss2，获取所述推理质量评估因子。

6.根据权利要求5所述的方法，其特征在于，所述通过各个推理业务知识向量vector1，获取k个复原推理业务知识向量，包括：对所述推理业务知识向量vector1对应的向量排列数表matrix2进行尺度融合处理，得到尺度融合处理后的推理重构业务知识向量f‑vector1，并对所述推理重构业务知识向量f‑vector1对应的向量排列数表进行维数转置，获得转置完成的向量排列数表matrix3；

对所述转置完成的向量排列数表matrix3进行向量整合操作，得到推理重构业务知识向量f‑vector2，并对所述推理重构业务知识向量f‑vector2进行单调转换，得到推理重构业务知识向量f‑vector3；

对所述推理重构业务知识向量f‑vector3对应的向量排列数表进行向量整合操作，并对向量整合操作后的向量排列数表进行维数转置，得到向量排列数表matrix4；

对所述向量排列数表matrix4进行尺度融合处理，并对尺度融合处理后的所述向量排列数表matrix4进行多次向量整合，得到向量排列数表matrix5；

通过所述向量排列数表matrix5和所述向量排列数表matrix4，获取所述k个复原推理业务知识向量，其中，所述向量排列数表matrix4对应的数表维数中的业务知识向量的个数为所述k，所述向量排列数表matrix4对应的数表维数中的向量维数为起始推理业务数据子集的业务知识向量的向量维数。

7.根据权利要求6所述的方法，其特征在于，所述通过所述k个复原推理业务知识向量和所述推理业务知识向量vector2，获取所述聚合模块对应的质量评估因子loss1，包括：通过所述k个复原推理业务知识向量和所述推理业务知识向量vector2，获取质量评估子因子loss‑a；

对所述复原推理业务知识向量进行降维，得到所述复原推理业务知识向量对应的目标推理知识向量g‑vector1，并获取所述目标推理知识向量g‑vector1对应的推理归属结果forecast3；

对所述推理业务知识向量vector2进行降维，得到所述推理业务知识向量vector2对应的目标推理知识向量g‑vector2，并获取所述目标推理知识向量g‑vector2对应的推理归属结果forecast4；

通过所述推理归属结果forecast3和所述推理归属结果forecast3对应的第一对照归属结果，获取质量评估子因子loss‑c；

通过所述推理归属结果forecast4和所述推理归属结果forecast4对应的第二对照归属结果，获取质量评估子因子loss‑d；

通过所述质量评估子因子loss‑c和所述质量评估子因子loss‑d，获取所述质量评估子因子loss‑b；

通过所述质量评估子因子loss‑a和所述质量评估子因子loss‑b，获取所述质量评估因子loss1。

8.一种数据挖掘系统，其特征在于，包括云平台和与所述云平台通信连接的业务终端，所述云平台包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行如权利要求1 7中任一项所述的方法。

~

9.一种云平台，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行如权利要求1 7中任一项所述的方法。

~