1.一种用于计算机网络信息的数据加密方法，其特征在于，包括：获取多条待加密的信息；

将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；

将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；

将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；

以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；

分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；

将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

2.根据权利要求1所述的用于计算机网络信息的数据加密方法，其特征在于，所述将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量，包括：对所述各条待加密的信息进行分词处理以将所述各条待加密的信息转化为由多个词组成的词序列；

使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射为词嵌入向量以获得词嵌入向量的序列；

使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量；以及将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

3.根据权利要求2所述的用于计算机网络信息的数据加密方法，其特征在于，所述使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局展开特征向量；

计算所述全局展开特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；

分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；

将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；

分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文词特征向量。

4.根据权利要求3所述的用于计算机网络信息的数据加密方法，其特征在于，所述将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全局待加密语义特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局待加密语义矩阵。

5.根据权利要求4所述的用于计算机网络信息的数据加密方法，其特征在于，所述分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量，包括：以如下公式对所述多个分类特征向量中各个分类特征向量进行特征分布的结构模糊校正以得到所述多个校正后分类特征向量；

其中，所述公式为：

其中，表示所述多个分类特征向量中各个分类特征向量，所述分类特征向量是列向量形式， 表示所述多个校正后分类特征向量中各个校正后分类特征向量， 表示所述多个分类特征向量中各个分类特征向量的二范数的平方， 表示所述多个分类特征向量中各个分类特征向量的各特征值按大小次序排列的有序向量， 表示所述多个分类特征向量中各个分类特征向量的转移向量， 表示按位置点乘， 表示向量相乘。

6.根据权利要求5所述的用于计算机网络信息的数据加密方法，其特征在于，所述将所述多个校正后分类特征向量通过分类器以得到多个概率值，包括：使用所述分类器以如下公式对所述多个校正后分类特征向量进行处理以得到多个概率值；

其中，所述公式为： ，其中， 到 为权重矩阵，

到 为偏置向量， 为所述多个校正后分类特征向量中各个校正后分类特征向量。

7.一种用于计算机网络信息的数据加密系统，其特征在于，包括：待加密信息获取模块，用于获取多条待加密的信息；

上下文编码模块，用于将所述各条待加密的信息通过包含嵌入层的上下文编码器以得到多条待加密语义特征向量；

二维矩阵化模块，用于将所述多条待加密语义特征向量进行二维矩阵化以得到全局待加密语义矩阵；

卷积编码模块，用于将所述全局待加密语义矩阵通过作为特征提取器的卷积神经网络模型以得到全局待加密语义特征矩阵；

分类特征向量计算模块，用于以所述各条待加密语义特征向量作为查询特征向量，计算其与所述全局待加密语义特征矩阵之间的乘积以得到多个分类特征向量；

结构模糊校正模块，用于分别对所述多个分类特征向量中各个分类特征向量进行结构模糊校正以得到多个校正后分类特征向量；

概率值生成模块，用于将所述多个校正后分类特征向量通过分类器以得到多个概率值；以及加密优先级确定模块，用于基于所述多个概率值之间的排序，确定所述多条待加密的信息的加密优先级。

8.根据权利要求7所述的用于计算机网络信息的数据加密系统，其特征在于，所述上下文编码模块，进一步用于：对所述各条待加密的信息进行分词处理以将所述各条待加密的信息转化为由多个词组成的词序列；

使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射为词嵌入向量以获得词嵌入向量的序列；

使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量；以及将所述多个上下文词特征向量进行级联以得到所述多条待加密语义特征向量。

9.根据权利要求8所述的用于计算机网络信息的数据加密系统，其特征在于，所述使用所述包含嵌入层的上下文编码器对所述词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个上下文词特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局展开特征向量；

计算所述全局展开特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；

分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；

将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；

分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文词特征向量。

10.根据权利要求9所述的用于计算机网络信息的数据加密系统，其特征在于，所述卷积编码模块，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全局待加密语义特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述全局待加密语义矩阵。