1.一种基于深度学习的资源学习路径规划方法，其特征在于，包括：若检测到任意用户端上传的学习数据，获取所述学习数据对应的数据标签，将学习数据根据所述数据标签保存至对应的存储区域；

实时采集虚拟对象的学习数据点击记录，并存储至虚拟对象数据库；其中，所述虚拟对象数据库中存储有若干条学习数据点击记录，每一条学习数据点击记录对应一条知识学习记录数据；

在虚拟对象数据库中根据预设的筛选条件获取目标数据组成样本集，根据所述样本集中各目标虚拟对象对应的学习记录轨迹进行模型训练，得到预测模型；以及若接收到当前课程子轨迹信息初始输入特征，获取与所述当前课程子轨迹信息初始输入特征对应的当前课程子轨迹信息调整输入特征，将所述当前课程子轨迹信息调整输入特征输入至预测模型进行运算，得到输出结果；

所述在虚拟对象数据库中根据预设的筛选条件获取目标数据组成样本集，根据所述样本集中各目标虚拟对象对应的学习记录轨迹进行模型训练，得到预测模型，包括：在本地的虚拟对象数据库中根据预设的筛选条件获取目标数据，组成样本集；其中，所述样本集中包括若干个虚拟对象数据集，每一虚拟对象数据集对应一个虚拟对象，每一虚拟对象数据集均包括若干条知识学习记录数据；

获取所述样本集中各虚拟对象数据集对应的知识学习记录数据，组成各虚拟对象数据集分别对应的学习课程名称轨迹信息；

将各学习课程名称轨迹信息按照预设的移动步长和第一划分窗口长度划分为多个课程子轨迹信息；

将各课程子轨迹信息按照预设的第二划分窗口长度划分为课程子轨迹信息初始输入特征，以及课程子轨迹信息初始输出特征；

获取各课程子轨迹信息初始输入特征中每一课程编号对应的课程特征，组成与各课程子轨迹信息初始输入特征分别对应的课程子轨迹信息调整输入特征；

将各课程子轨迹信息调整输入特征作为待训练预测模型的输入，并将各课程子轨迹信息调整输入特征对应的课程子轨迹信息初始输出特征作为待训练预测模型的输出，对所述待训练预测模型进行训练，得到预测模型；

其中，知识学习记录数据中至少包括虚拟对象唯一识别码、虚拟对象当前级别、课程编号、课程学习持续时间；

所述获取所述样本集中各虚拟对象数据集对应的知识学习记录数据，组成各虚拟对象数据集分别对应的学习课程名称轨迹信息包括：获取虚拟对象数据集包括的知识学习记录数据并获取每一知识学习记录数据对应的课程编号，将课程编号按照学习的时间先后顺序依次排列组成编号序列，得到虚拟对象数据集对应的学习课程名称轨迹信息。

2.根据权利要求1所述的基于深度学习的资源学习路径规划方法，其特征在于，所述在本地的虚拟对象数据库中根据预设的筛选条件获取目标数据，组成样本集，包括：获取所述筛选条件对应的限定时间区间和虚拟对象当前级别上升限定条件；

根据所述限定时间区间在本地的虚拟对象数据库中筛选获取初始筛选数据，组成初始筛选数据集；

将所述初始筛选数据集中的初始筛选数据根据虚拟对象唯一识别码进行分组，得到与各虚拟对象唯一识别码分别对应的虚拟对象数据集；其中，每一虚拟对象数据集中所包括知识学习记录数据按时间升序排序；

根据所述虚拟对象当前级别上升限定条件在与各虚拟对象唯一识别码分别对应的虚拟对象数据集中筛选出满足条件的虚拟对象数据集，组成样本集。

3.根据权利要求2所述的基于深度学习的资源学习路径规划方法，其特征在于，所述根据所述虚拟对象当前级别上升限定条件在与各虚拟对象唯一识别码分别对应的虚拟对象数据集中筛选出满足条件的虚拟对象数据集，组成样本集，包括：获取各虚拟对象数据集按照季度统计分别对应的虚拟对象当前级别，组成与各虚拟对象数据集对应的虚拟对象级别序列；

将各虚拟对象级别序列中每一序列值均减去前一位序列值，得到与各虚拟对象数据集分别对应的虚拟对象级别调整序列；其中，各虚拟对象级别调整序列中第一个序列值取0；

若有虚拟对象级别调整序列中的序列值均为非负数，判定该虚拟对象级别调整序列对应的虚拟对象数据集满足所述虚拟对象当前级别上升限定条件，将该虚拟对象级别调整序列对应的虚拟对象数据集加入样本集。

4.根据权利要求1所述的基于深度学习的资源学习路径规划方法，其特征在于，所述将各学习课程名称轨迹信息按照预设的移动步长和第一划分窗口长度划分为多个课程子轨迹信息，包括：

获取各课程子轨迹信息中的起始序列值，以起始序列值为起点并根据所述第二划分窗口长度将各课程子轨迹信息均划分为前划分部分和后划分部分，将各课程子轨迹信息的前划分部分作为课程子轨迹信息初始输入特征，将各课程子轨迹信息的后划分部分作为课程子轨迹信息初始输出特征。

5.根据权利要求1所述的基于深度学习的资源学习路径规划方法，其特征在于，所述待训练预测模型为加入了注意力机制的LSTM模型。

6.根据权利要求1所述的基于深度学习的资源学习路径规划方法，其特征在于，所述若检测到任意用户端上传的学习数据，获取所述学习数据对应的数据标签，将学习数据根据所述数据标签保存至对应的存储区域之后，还包括：根据每一学习数据对应的课程时长、课程评论次数、是否收藏属性值，与学习数据对应的课程类型组成各学习数据分别对应的课程实际特征；

对每一学习数据随机分配一个唯一的课程编号用于唯一标识学习数据。

7.一种基于深度学习的资源学习路径规划装置，其特征在于，包括：数据标签获取单元，用于若检测到任意用户端上传的学习数据，获取所述学习数据对应的数据标签，将学习数据根据所述数据标签保存至对应的存储区域；

点击记录采集单元，用于实时采集虚拟对象的学习数据点击记录，并存储至虚拟对象数据库；其中，所述虚拟对象数据库中存储有若干条学习数据点击记录，每一条学习数据点击记录对应一条知识学习记录数据；

预测模型训练单元，用于在虚拟对象数据库中根据预设的筛选条件获取目标数据组成样本集，根据所述样本集中各目标虚拟对象对应的学习记录轨迹进行模型训练，得到预测模型；以及

输出结果获取单元，用于若接收到当前课程子轨迹信息初始输入特征，获取与所述当前课程子轨迹信息初始输入特征对应的当前课程子轨迹信息调整输入特征，将所述当前课程子轨迹信息调整输入特征输入至预测模型进行运算，得到输出结果；

预测模型训练单元包括样本集获取单元、课程轨迹信息获取单元、子轨迹信息获取单元、子轨迹信息划分单元、调整输入特征获取单元、待训练预测模型训练单元；

样本集获取单元，用于在本地的虚拟对象数据库中根据预设的筛选条件获取目标数据，组成样本集；其中，所述样本集中包括若干个虚拟对象数据集，每一虚拟对象数据集对应一个虚拟对象，每一虚拟对象数据集均包括若干条知识学习记录数据；

课程轨迹信息获取单元，用于获取所述样本集中各虚拟对象数据集对应的知识学习记录数据，组成各虚拟对象数据集分别对应的学习课程名称轨迹信息；

子轨迹信息获取单元，用于将各学习课程名称轨迹信息按照预设的移动步长和第一划分窗口长度划分为多个课程子轨迹信息；

子轨迹信息划分单元，用于将各课程子轨迹信息按照预设的第二划分窗口长度划分为课程子轨迹信息初始输入特征，以及课程子轨迹信息初始输出特征；

调整输入特征获取单元，用于获取各课程子轨迹信息初始输入特征中每一课程编号对应的课程特征，组成与各课程子轨迹信息初始输入特征分别对应的课程子轨迹信息调整输入特征；

待训练预测模型训练单元，用于将各课程子轨迹信息调整输入特征作为待训练预测模型的输入，并将各课程子轨迹信息调整输入特征对应的课程子轨迹信息初始输出特征作为待训练预测模型的输出，对所述待训练预测模型进行训练，得到预测模型；

其中，知识学习记录数据中至少包括虚拟对象唯一识别码、虚拟对象当前级别、课程编号、课程学习持续时间；

所述课程轨迹信息获取单元还用于：获取虚拟对象数据集包括的知识学习记录数据并获取每一知识学习记录数据对应的课程编号，将课程编号按照学习的时间先后顺序依次排列组成编号序列，得到虚拟对象数据集对应的学习课程名称轨迹信息。

8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至6中任一项所述的基于深度学习的资源学习路径规划方法。

9.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于深度学习的资源学习路径规划方法。