1.一种基于智慧医疗的智能护理远程数据处理方法，其特征在于，应用于数据处理系统，所述方法包括：接收护理评价指令，并响应于所述护理评价指令获取所述护理评价指令携带的编号信息；

从护理数据库中调取所述编号信息对应的目标对象护理数据集，所述目标对象护理数据集包含目标对象在当前评估周期内的护理记录数据；其中，所述护理记录数据为文本信息；

获取所述目标对象护理数据集包括的核心护理要素；基于护理数据嵌入映射网络挖掘所述目标对象护理数据集包括的数据分块的向量表征，以及基于护理评价嵌入映射网络挖掘事先部署的多个对比护理评价的向量表征；所述护理数据嵌入映射网络和所述护理评价嵌入映射网络分别依据彼此在重复调试优化时的输出结果混合调试得到；

基于所述数据分块的向量表征和所述多个对比护理评价的向量表征，确定所述核心护理要素和各个所述对比护理评价之间的第一关联系数；

基于所述第一关联系数，确定所述目标对象护理数据集和所述对比护理评价之间的第二关联系数；

基于所述第二关联系数，从所述多个对比护理评价中确定目标护理评价，所述目标护理评价用于作为所述目标对象护理数据集的评价结果；

其中，所述护理数据嵌入映射网络和所述护理评价嵌入映射网络的调试过程包括如下步骤：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络进行首次调试，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络；

基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行首次调试，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络；

基于所述辗转实时护理评价嵌入映射网络和所述辗转护理数据嵌入映射网络，对所述辗转护理数据嵌入映射网络进行多轮调试，直到调试获得的第一误差结果小于第一预设误差值时停止调试，得到护理数据嵌入映射网络；

基于所述辗转实时护理数据嵌入映射网络和所述辗转护理评价嵌入映射网络，对所述辗转护理评价嵌入映射网络进行多轮调试，直到调试获得的第二误差结果小于第二预设误差值时停止调试，得到护理评价嵌入映射网络；

其中，所述基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，对基础护理数据嵌入映射网络和实时护理数据嵌入映射网络进行首次调试，包括：基于第一护理评价示例的向量表征和第一护理数据示例的数据分块向量表征，以及事先部署的已注释护理评价，确定当前基础护理数据嵌入映射网络调试的第一误差结果；所述第一护理评价示例的向量表征通过实时护理评价嵌入映射网络输出，所述第一护理数据示例的数据分块向量表征通过基础护理数据嵌入映射网络输出；

基于所述第一误差结果，分别对所述基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络；

所述基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，对基础护理评价嵌入映射网络和实时护理评价嵌入映射网络进行首次调试，包括：基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果；所述数据分块向量表征通过所述辗转实时护理数据嵌入映射网络输出，所述第二护理评价示例的向量表征通过基础护理评价嵌入映射网络输出；

基于所述第二误差结果，分别对所述基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络；

所述基于所述第一误差结果，分别对所述基础护理数据嵌入映射网络和实时护理数据嵌入映射网络的网络参变量进行调节，得到辗转护理数据嵌入映射网络和辗转实时护理数据嵌入映射网络，包括：基于所述第一误差结果调节所述基础护理数据嵌入映射网络的网络参变量，得到辗转护理数据嵌入映射网络；

获取所述辗转护理数据嵌入映射网络辗转重复之前的参变量p1和辗转重复之后的参变量p2；

基于所述参变量p1和所述参变量p2的第二预设计算结果，调节实时护理数据嵌入映射网络的网络参变量，得到辗转实时护理数据嵌入映射网络。

2.如权利要求1所述的方法，其特征在于，所述确定所述核心护理要素和各个所述对比护理评价之间的第一关联系数，包括：将所述数据分块的向量表征和多个所述对比护理评价的向量表征分别进行关联计算，得到多个第一组元关联系数；

基于所述多个第一组元关联系数，确定所述核心护理要素和所述多个对比护理评价之间的第一关联系数。

3.如权利要求2所述的方法，其特征在于，所述基于所述多个第一组元关联系数，确定所述核心护理要素和所述多个对比护理评价之间的第一关联系数，包括：获取所述数据分块在所述目标对象护理数据集中的第一分布情况和所述核心护理要素在所述目标对象护理数据集中的第二分布情况；

基于所述第一分布情况和所述第二分布情况，确定所述核心护理要素包括的多个目标数据分块；

确定所述多个目标数据分块对应的第一组元关联系数的第一预设计算结果，将所述第一预设计算结果确定为所述核心护理要素和所述对比护理评价之间的第一关联系数；

所述将所述数据分块的向量表征和多个所述对比护理评价的向量表征分别进行关联计算，包括：确定由多个所述对比护理评价的向量表征构建的向量表征集合；

获取各个所述数据分块的向量表征和所述向量表征集合之间的数量积，得到多个第一组元关联系数。

4.如权利要求1所述的方法，其特征在于，所述基于所述第二误差结果，分别对所述基础护理评价嵌入映射网络和实时护理评价嵌入映射网络的网络参变量进行调节，得到辗转护理评价嵌入映射网络和辗转实时护理评价嵌入映射网络，包括：基于所述第二误差结果调节所述基础护理评价嵌入映射网络的网络参变量，得到辗转护理评价嵌入映射网络；

获取所述辗转护理评价嵌入映射网络辗转重复之前的参变量p3和辗转重复之后的参变量p4；

基于所述参变量p3和所述参变量p4的第二预设计算结果，调节实时护理评价嵌入映射网络的网络参变量，得到辗转实时护理评价嵌入映射网络；

所述基于第二护理数据示例的数据分块向量表征和第二护理评价示例的向量表征，以及事先部署的已注释护理数据，确定当前基础护理评价嵌入映射网络调试的第二误差结果，包括：获取所述第二护理数据示例的核心护理要素，并基于所述核心护理要素包括的数据分块，确定所述第二护理数据示例的核心护理要素向量表征；

将多个所述第二护理数据示例的核心护理要素向量表征分别保存至护理数据库；将第二护理评价示例加载到拟进行调试的基础护理评价嵌入映射网络，得到所述第二护理评价示例的向量表征；

基于所述第二护理数据示例的核心护理要素向量表征和所述第二护理评价示例的向量表征，确定所述第二护理评价示例和多个所述第二护理数据示例之间的第二示例关联系数；

基于所述第二示例关联系数，从多个所述第二护理数据示例中确定目标护理数据示例，并基于所述目标护理数据示例和事先部署的已注释护理数据确定当前调试的第二误差结果。

5.如权利要求4所述的方法，其特征在于，所述将多个所述第二护理数据示例的核心护理要素向量表征分别保存至护理数据库中，包括：将每个所述第二护理数据示例对应的核心护理要素向量表征的向量容量设置为目标容量，将小于所述目标容量的位置用预设值进行补位，并将所述预设值确定为无效向量表征；

采用核心护理要素编码组对所述核心护理要素向量表征集合中所述核心护理要素向量表征的性质进行编码。

6.如权利要求1所述的方法，其特征在于，所述基于所述第一关联系数，确定所述目标对象护理数据集和所述对比护理评价之间的第二关联系数，包括：基于所述核心护理要素在所述目标对象护理数据集中的影响系数，确定各个所述核心护理要素对应的权值；依据各个所述核心护理要素对应的权值和所述核心护理要素对应的第一关联系数，得到所述目标对象护理数据集和所述对比护理评价之间的第二关联系数；

或者，从所述目标对象护理数据集的各个所述核心护理要素对应的第一关联系数中，确定最大的第一关联系数作为所述目标对象护理数据集和所述对比护理评价之间的第二关联系数。

7.一种数据处理系统，其特征在于，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1~6中任一项所述的方法。