1.一种面向数字化的用户行为大数据挖掘方法，其特征在于，所述方法包括：

获取训练数据库，所述训练数据库中包括多个用户行为日志学习样例以及每个用户行为日志学习样例的学习样例先验标记、多个用户行为日志学习样例二元组以及每个用户行为日志学习样例二元组对应的学习样例共性度量值，用户行为日志学习样例二元组对应的学习样例共性度量值为所述用户行为日志学习样例二元组包括的第一用户行为日志学习样例和第二用户行为日志学习样例之间的共性度量值；

挖掘每个用户行为日志学习样例对应的样例用户行为特征，以及对每个样例用户行为特征进行置信分布映射，得到所述每个用户行为日志学习样例分别为多个候选分类标记的置信度；

依据所述多个候选分类标记的置信度确定所述每个用户行为日志学习样例的学习样例预估标记，以及根据所述多个用户行为日志学习样例对应的学习样例预估标记和学习样例先验标记调试第一行为特征挖掘神经网络，得到第二行为特征挖掘神经网络；

分别挖掘每个用户行为日志学习样例二元组包括的第一用户行为日志学习样例的第一样例用户行为特征和第二用户行为日志学习样例的第二样例用户行为特征，获取每个用户行为日志学习样例二元组对应的第一样例用户行为特征和第二样例用户行为特征之间的学习样例预估共性度量值，以及依据所述多个用户行为日志学习样例二元组对应的学习样例预估共性度量值和学习样例共性度量值调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络；

接收目标用户的目标行为日志，依据所述目标行为特征挖掘神经网络确定所述目标行为日志的行为日志特征，以及根据所述目标行为日志的行为日志特征确定和所述目标用户匹配的行为日志画像；

其中，所述依据所述多个候选分类标记的置信度确定所述每个用户行为日志学习样例的学习样例预估标记，以及根据所述多个用户行为日志学习样例对应的学习样例预估标记和学习样例先验标记调试第一行为特征挖掘神经网络，得到第二行为特征挖掘神经网络，包括：依据所述多个候选分类标记的置信度在所述多个候选分类标记中确定得到一个或多个候选分类标记，确定为所述每个用户行为日志学习样例的学习样例预估标记；

获取所述每个用户行为日志学习样例的学习样例先验标记和每个学习样例预估标记之间的标记共性度量值，以及依据所述每个用户行为日志学习样例的学习样例先验标记和所述每个学习样例预估标记之间的标记共性度量值确定所述第一行为特征挖掘神经网络的第一损失函数；

基于所述第一损失函数对所述第一行为特征挖掘神经网络进行调试，得到所述第二行为特征挖掘神经网络；

所述依据所述多个用户行为日志学习样例二元组对应的学习样例预估共性度量值和学习样例共性度量值调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络，包括：确定所述每个用户行为日志学习样例二元组对应的学习样例预估共性度量值和所述每个用户行为日志学习样例二元组对应的学习样例共性度量值之间的第三损失函数，依据所述每个用户行为日志学习样例二元组对应的学习样例预估共性度量值和所述每个用户行为日志学习样例二元组对应的学习样例共性度量值之间的第三损失函数，确定所述多个用户行为日志学习样例二元组的第三损失函数；

依据所述多个用户行为日志学习样例二元组的第三损失函数调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络。

2.根据权利要求1的方法，其特征在于，所述每个用户行为日志学习样例对应的样例用户行为特征包括所述每个用户行为日志学习样例中每个样例行为数据项对应的表征数组；所述对所述每个样例用户行为特征进行置信分布映射，得到所述每个用户行为日志学习样例分别为多个候选分类标记的置信度，包括：对所述每个用户行为日志学习样例中每个样例行为数据项对应的表征数组进行表征信息整合，得到所述每个用户行为日志学习样例的整合行为日志特征；

预估所述整合行为日志特征分别为所述多个候选分类标记对应的表征数组的置信度。

3.根据权利要求1或2所述的方法，其特征在于，所述挖掘每个用户行为日志学习样例对应的样例用户行为特征，包括：对所述每个用户行为日志学习样例进行数据项拆分操作，得到所述每个用户行为日志学习样例对应的行为数据项；

在所述每个用户行为日志学习样例对应的行为数据项中确定目标行为数据项，对所述每个用户行为日志学习样例对应的目标行为数据项进行掩码操作，得到所述每个用户行为日志学习样例对应的掩码行为数据项，以及依据所述每个用户行为日志学习样例中，目标行为数据项之外的行为数据项和所述每个用户行为日志学习样例对应的掩码行为数据项，确定所述每个用户行为日志学习样例对应的掩码行为日志学习样例；

挖掘每个掩码行为日志学习样例对应的样例用户行为特征，所述每个掩码行为日志学习样例对应的样例用户行为特征中包括掩码行为数据项对应的表征数组；

所述根据所述多个用户行为日志学习样例对应的学习样例预估标记和学习样例先验标记调试第一行为特征挖掘神经网络，得到第二行为特征挖掘神经网络，包括：对所述每个用户行为日志学习样例对应的掩码行为数据项对应的表征数组进行行为数据项预估，得到所述每个用户行为日志学习样例对应的掩码行为数据项为多个对照行为数据项的置信度，依据所述多个对照行为数据项的置信度确定所述每个用户行为日志学习样例对应的掩码行为数据项的样例预估行为数据项；

获取所述每个用户行为日志学习样例中的样例掩码行为数据项，依据所述每个用户行为日志学习样例对应的样例预估行为数据项和所述每个用户行为日志学习样例中的样例掩码行为数据项，获取对于所述第一行为特征挖掘神经网络的第二损失函数；

基于所述第二损失函数、所述多个用户行为日志学习样例对应的学习样例预估标记和所述多个用户行为日志学习样例的学习样例先验标记，对所述第一行为特征挖掘神经网络进行调试，得到所述第二行为特征挖掘神经网络。

4.根据权利要求3所述的方法，其特征在于，所述每个用户行为日志学习样例对应的样例用户行为特征包括所述每个用户行为日志学习样例中的每个样例行为数据项对应的表征数组，每个样例行为数据项对应的表征数组包括被掩码操作的预设行为数据项表征数组；

所述对所述每个用户行为日志学习样例对应的掩码行为数据项对应的表征数组进行行为数据项预估，得到所述每个用户行为日志学习样例对应的掩码行为数据项为多个对照行为数据项的置信度，依据所述多个对照行为数据项的置信度确定所述每个用户行为日志学习样例对应的掩码行为数据项的样例预估行为数据项，包括：获取与所述每个用户行为日志学习样例对应的预设行为数据项表征数组存在上下文关系的样例行为数据项对应的表征数组，确定为所述每个用户行为日志学习样例对应的预设行为数据项表征数组的上下文行为数据项表征数组；

对所述每个用户行为日志学习样例对应的预设行为数据项表征数组的上下文行为数据项表征数组和所述每个用户行为日志学习样例对应的预设行为数据项表征数组进行表征数组整合，得到所述每个用户行为日志学习样例对应的整合行为数据项表征数组；

预估所述每个用户行为日志学习样例对应的整合行为数据项表征数组为多个对照行为数据项的置信度，以及依据多个置信度确定得到存在最大置信度的对照行为数据项，确定为所述每个用户行为日志学习样例对应的掩码行为数据项的样例预估行为数据项。

5.根据权利要求1的方法，其特征在于，所述方法还包括：

获取多个对照行为日志，依据所述目标行为特征挖掘神经网络挖掘所述多个对照行为日志中每一个对照行为日志的对照行为日志特征；

将所述每一个对照行为日志的对照行为日志特征添加至表征数组集合中；

所述根据所述目标行为日志的行为日志特征确定和所述目标用户匹配的行为日志画像，包括：

确定所述目标行为日志的行为日志特征与所述表征数组集合中的多个对照行为日志的对照行为日志特征之间的共性度量值；

依据所述目标行为日志的行为日志特征与所述多个对照行为日志的对照行为日志特征之间的共性度量值，确定和所述目标用户匹配的行为日志画像。

6.根据权利要求5所述的方法，其特征在于，所述依据所述目标行为日志的行为日志特征与所述多个对照行为日志的对照行为日志特征之间的共性度量值，确定和所述目标用户匹配的行为日志画像，包括：在所述多个对照行为日志中确定与所述目标行为日志的共性度量值最大的b个候选行为日志，b≥1；

获取用户基础属性信息，依据所述用户基础属性信息确定与所述用户基础属性信息对应的目标筛选机制，依据所述目标筛选机制对所述b个候选行为日志进行筛选，得到a个候选行为日志，1≤a≤b；

在所述a个候选行为日志中确定和所述目标用户匹配的行为日志画像。

7.一种面向数字化的用户行为大数据挖掘装置，其特征在于，包括：

训练数据获取模块，用于获取训练数据库，所述训练数据库中包括多个用户行为日志学习样例以及每个用户行为日志学习样例的学习样例先验标记、多个用户行为日志学习样例二元组以及每个用户行为日志学习样例二元组对应的学习样例共性度量值，用户行为日志学习样例二元组对应的学习样例共性度量值为所述用户行为日志学习样例二元组包括的第一用户行为日志学习样例和第二用户行为日志学习样例之间的共性度量值；

行为特征挖掘模块，用于挖掘每个用户行为日志学习样例对应的样例用户行为特征，以及对每个样例用户行为特征进行置信分布映射，得到所述每个用户行为日志学习样例分别为多个候选分类标记的置信度；

第一网络调试模块，用于依据所述多个候选分类标记的置信度确定所述每个用户行为日志学习样例的学习样例预估标记，以及根据所述多个用户行为日志学习样例对应的学习样例预估标记和学习样例先验标记调试第一行为特征挖掘神经网络，得到第二行为特征挖掘神经网络；具体地，所述第一网络调试模块依据所述多个候选分类标记的置信度在所述多个候选分类标记中确定得到一个或多个候选分类标记，确定为所述每个用户行为日志学习样例的学习样例预估标记；获取所述每个用户行为日志学习样例的学习样例先验标记和每个学习样例预估标记之间的标记共性度量值，以及依据所述每个用户行为日志学习样例的学习样例先验标记和所述每个学习样例预估标记之间的标记共性度量值确定所述第一行为特征挖掘神经网络的第一损失函数；基于所述第一损失函数对所述第一行为特征挖掘神经网络进行调试，得到所述第二行为特征挖掘神经网络；

第二网络调试模块，用于分别挖掘每个用户行为日志学习样例二元组包括的第一用户行为日志学习样例的第一样例用户行为特征和第二用户行为日志学习样例的第二样例用户行为特征，获取每个用户行为日志学习样例二元组对应的第一样例用户行为特征和第二样例用户行为特征之间的学习样例预估共性度量值，以及依据所述多个用户行为日志学习样例二元组对应的学习样例预估共性度量值和学习样例共性度量值调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络；其中，所述依据所述多个用户行为日志学习样例二元组对应的学习样例预估共性度量值和学习样例共性度量值调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络，包括：确定所述每个用户行为日志学习样例二元组对应的学习样例预估共性度量值和所述每个用户行为日志学习样例二元组对应的学习样例共性度量值之间的第三损失函数，依据所述每个用户行为日志学习样例二元组对应的学习样例预估共性度量值和所述每个用户行为日志学习样例二元组对应的学习样例共性度量值之间的第三损失函数，确定所述多个用户行为日志学习样例二元组的第三损失函数；依据所述多个用户行为日志学习样例二元组的第三损失函数调试所述第二行为特征挖掘神经网络，得到目标行为特征挖掘神经网络；

行为画像确定模块，用于接收目标用户的目标行为日志，依据所述目标行为特征挖掘神经网络确定所述目标行为日志的行为日志特征，以及根据所述目标行为日志的行为日志特征确定和所述目标用户匹配的行为日志画像。

8.一种计算机系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述方法中的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述方法中的步骤。