1.一种社交网络上的多模态网络欺凌检测模型，包括步骤S1针对多模态数据的编码和步骤S2针对模态数据的解码；其特征在于，步骤S1还包括：

步骤S101：对数据进行预处理；

步骤S102：对视频和/或图像数据进行处理，对每一个视频和/或图像进行打分评价，构成评价标签；

步骤S103：针对帖子文本内容，通过双向长短期记忆网络Bi‑LSTM和自注意力机制进行训练；

步骤S104：针对帖子评论集数据进行双向的GRU分层注意力机制学习，每个帖子均有一个数量为L的评论集合C，对于第i个评论ci有Li个单词，按照每个单词用wit，并且t∈[0,Li]；

计算单词级别的注意力机制，使用单词级别的注意力矩阵针We对每一个单词进行处理，xij＝Wewij，然后使用双向GRU进行处理，得到的隐藏状态向量：并且，

使用带有隐藏层的多层感知器来提取更高级别的隐藏层表示uit：uit＝tanh(Wwhit+bw)

Ww是单词的权重矩阵，bw是单词层级注意力机制的偏置向量，然后利用如下方式进行归一化处理：最后重构评论ci的语句矩阵，其中单个单词是向量，多个单词构成矩阵：对评论集合的每一个评论内容ci利用双向GRU处理：然后，计算评论注意力表示：

ui＝tanh(Wchi+bc)

Wc是评论级别的权重矩阵，bc是评论级别的偏置向量，uc是上下文向量，v是加权后的评论信息；

步骤S105：针对图像和/或视频，通过one‑hot编码的方式，然后利用多层感知机进行特征提取；

步骤S2还包括：

步骤S201：针对不同学习到的向量，通过多层感知机分别进行特征提取，然后将其串联起来整体进行特征提取。

2.根据权利要求1所述的一种社交网络上的多模态网络欺凌检测模型，其特征在于，步骤S103的双向长短期记忆网络Bi‑LSTM中，长短期网络有三个门控单元，分别是输入门it、遗忘门ft以及输出门ot，当前t时刻的输入门it、遗忘门ft以及输出门ot的更新公式为：it＝σ(xtWxi+ht‑1Whi+bi)ft＝σ(xtWxf+ht‑1Whf+bf)ot＝σ(xtWxo+ht‑1Who+bo)ht是每一个状态的隐藏状态，ht‑1是前一个时刻的隐藏状态，xt是词嵌入后的词向量，Wxi,Wxf,Wxo,Whi,Whf,Who是权重向量，bi,bf,bo是偏置向量；

计算隐藏状态ht公式如下：

ht＝ot⊙tanh(ct)

其中，ct为当前记忆，为候选记忆；

对每句文本分别采用正序和逆序的两种方式，每个时刻产生两个隐藏状态：

3.根据权利要求1或2所述的一种社交网络上的多模态网络欺凌检测模型，其特征在于，步骤S101包括停用词处理、大小写转换、词形还原的一种或一种以上。