1.一种基于无监督学习的课程推荐方法，其特征在于，所述基于无监督学习的课程推荐方法包括：

响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标，其中，所述特征指标是指对象的基本属性构成的指标，所述模式指标是指对象的工作模式的相关数据构成的指标；

获取待推荐对象，根据所述待推荐对象确定基准对象；

获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；

获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；

调取预先训练的cycle‑GAN模型，利用所述cycle‑GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle‑GAN模型对所述模式样本进行扩展，得到第二训练数据；

基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；

获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；

根据所述第一预测结果及所述第二预测结果确定目标推荐课程。

2.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述根据所述课程推荐指令获取特征指标及模式指标包括：解析所述课程推荐指令的方法体，得到所述课程推荐指令所携带的信息；

获取第一预设标签；

根据所述第一预设标签构建第一正则表达式；

根据所述第一正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第一地址；

获取第二预设标签；

根据所述第二预设标签构建第二正则表达式；

根据所述第二正则表达式在所述课程推荐指令所携带的信息中进行遍历，并将遍历到的数据确定为第二地址；

连接至所述第一地址，并获取所述第一地址处的数据作为所述特征指标；

连接至所述第二地址，并获取所述第二地址处的数据作为所述模式指标。

3.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述根据所述待推荐对象确定基准对象包括：

识别所述待推荐对象的类别；

获取所述待推荐对象的类别下所包括的所有对象；

根据配置规则对所述所有对象进行排序，得到目标队列；

从所述目标队列中获取排在所述待推荐对象前一位的对象作为所述基准对象。

4.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，在调取预先训练的cycle‑GAN模型前，所述方法还包括：获取训练样本；

构建损失函数；

根据所述训练样本及所述损失函数对cycle‑GAN网络的生成器及判别器进行循环对抗训练；

监测所述cycle‑GAN网络的均方差及所述损失函数的取值；

当所述均方差达到阈值，和/或所述损失函数不再降低时，停止训练，并将当前的cycle‑GAN网络确定为所述cycle‑GAN模型。

5.如权利要求4所述的基于无监督学习的课程推荐方法，其特征在于，采用下述公式构建损失函数：

L(GAB，GBA，DA，DB)＝LGAN(GAB，DB，A，B)+LGAN(GBA，DA，B，A)+λL(GAB，GBA)；

其中，L(GAB，GBA，DA，DB)为所述损失函数，LGAN(GAB，DB，A，B)为判别器DB的损失函数，LGAN(GBA，DA，B，A)为判别器DA的损失函数，λL(GAB，GBA)为循环一致性损失，L(GAB，GBA)为生成器GAB、生成器GBA的损失函数，λ为加权因子，A、B为不同的训练样本；

其中，LGAN(GAB，DB，A，B)为生成器GAB的损失函数， 为生成的样本b在判别器DB的预期损失， 为生成的样本a在判别器DB的预期损失；

其中，LGAN(GBA，DA，B，A)为生成器GBA的损失函数， 为生成的样本a在判别器DA的预期损失， 为生成的样本b在判别器DA的预期损失；

其中， 为样本a经过生成器后的预期损失，为样本b经过生成器后的预期损失。

6.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述基于所述第一训练数据训练第一预测模型包括：将所述第一训练数据拆分为训练集及验证集；

利用所述训练集训练随机森林网络；

当所述随机森林网络的损失函数达到收敛时，停止训练，得到中间模型；

利用所述验证集验证所述中间模型；

当所述中间模型通过验证时，将所述中间模型确定为所述第一预测模型。

7.如权利要求1所述的基于无监督学习的课程推荐方法，其特征在于，所述根据所述第一预测结果及所述第二预测结果确定目标推荐课程包括：从所述第一预测结果中获取每个课程的预测值，及从所述第二预测结果中获取每个课程的预测值；

确定所述第一预测结果的权重，及确定所述第二预测结果的权重；

根据所述第一预测结果的权重及所述第二预测结果的权重，对所述第一预测结果中每个课程的预测值及所述第二预测结果中每个课程的预测值进行加权平均，得到每个课程的目标预测值；

获取所述目标预测值最高的课程作为所述目标推荐课程。

8.一种基于无监督学习的课程推荐装置，其特征在于，所述基于无监督学习的课程推荐装置包括：

获取单元，用于响应于课程推荐指令，根据所述课程推荐指令获取特征指标及模式指标，其中，所述特征指标是指对象的基本属性构成的指标，所述模式指标是指对象的工作模式的相关数据构成的指标；

确定单元，用于获取待推荐对象，根据所述待推荐对象确定基准对象；

整合单元，用于获取所述待推荐对象对应于所述特征指标的数据作为第一样本，获取所述基准对象对应于所述特征指标的数据作为第二样本，并整合所述第一样本及所述第二样本，得到特征样本；

所述整合单元，还用于获取所述待推荐对象对应于所述模式指标的数据作为第三样本，获取所述基准对象对应于所述模式指标的数据作为第四样本，并整合所述第三样本及所述第四样本，得到模式样本；

扩展单元，用于调取预先训练的cycle‑GAN模型，利用所述cycle‑GAN模型对所述特征样本进行扩展，得到第一训练数据，及利用所述cycle‑GAN模型对所述模式样本进行扩展，得到第二训练数据；

训练单元，用于基于所述第一训练数据训练第一预测模型，及基于所述第二训练数据训练第二预测模型；

预测单元，用于获取待预测数据，将所述待预测数据输入至所述第一预测模型，得到第一预测结果，及将所述待预测数据输入至所述第二预测模型，得到第二预测结果；

所述确定单元，还用于根据所述第一预测结果及所述第二预测结果确定目标推荐课程。

9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于无监督学习的课程推荐方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于无监督学习的课程推荐方法。