1.一种基于移动互联网的教育平台互动方法，其特征在于，包括：

获取待分配题目和学生之前已经解答的题目的文本数据；

使用用于题目理解的语义理解模型分别从所述待分配题目的文本数据和所述学生之前已经解答的题目的文本数据获得第一语义特征向量和第二语义特征向量；

获取所述学生的画像数据并通过所述语义理解模型以获得对应于所述画像数据的第三语义特征向量；

将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量调整为相同长度后并统一映射到概率空间中以获得第一概率化语义特征向量、第二概率化语义特征向量和第三概率化语义特征向量；

以所述第三概率化语义特征向量中各个位置的特征值作为先验概率、所述第一概率化语义特征向量中各个位置的特征值作为事件概率和所述第二概率化语义特征向量中各个位置的特征值作为证据概率，基于贝叶斯算法计算所述第三概率化语义特征向量中各个位置的后验概率以获得贝叶斯特征向量，其中，所述后验概率等于所述先验概率乘以所述事件概率除以所述证据概率；

对所述贝叶斯特征向量进行最大条件似然估计以获得由多个最大条件自然估计值组成的分类特征向量，其中，所述最大条件似然估计基于所述第一概率化语义特征向量和所述第二概率化语义特征向量中各个位置的特征值之间的余弦距离进行；

将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示待分配题目和学生之间的匹配结果；以及基于所述分类结果，在基于移动互联网的教育平台为所述学生分配题目。

2.根据权利要求1所述的基于移动互联网的教育平台互动方法，其中，使用用于题目理解的语义理解模型分别从所述待分配题目的文本数据和所述学生之前已经解答的题目的文本数据获得第一语义特征向量和第二语义特征向量，包括：分别对所述待分配题目的文本数据和所述学生之前已经解答的题目的文本数据进行分词处理；

将经分词处理后的所述待分配题目的文本数据和经分词处理后的所述学生之前已经解答的题目的文本数据分别通过词嵌入模型以获得第一词向量序列和第二词向量序列；

将所述第一词向量序列和所述第二词向量序列分别通过Bert模型以获得第一词特征向量序列和第二词特征向量序列；以及将所述第一词特征向量序列和所述第二词特征向量序列分别通过双向LSTM模型以获得所述第一语义特征向量和所述第二语义特征向量。

3.根据权利要求1所述的基于移动互联网的教育平台互动方法，其中，将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量调整为相同长度后并统一映射到概率空间中以获得第一概率化语义特征向量、第二概率化语义特征向量和所述第三概率化语义特征向量，包括：通过线性变换将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量调整为相同长度；以及分别调整为相同长度的所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量输入类Softmax函数以将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量中各个位置的特征值映射到0到1的概率区间内，以获得所述第一概率化语义特征向量、所述第二概率化语义特征向量和所述第三概率化语义特征向量，其中，所述类Softmax函数为y=exp(xi)/∑i exp(xi)。

4.根据权利要求1所述的基于移动互联网的教育平台互动方法，其中，将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量调整为相同长度后并统一映射到概率空间中以获得第一概率化语义特征向量、第二概率化语义特征向量和所述第三概率化语义特征向量，包括：通过线性变换将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量调整为相同长度；以及分别调整为相同长度的所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量输入Sigmoid函数以将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量中各个位置的特征值映射到0到1的概率区间内，以获得所述第一概率化语义特征向量、所述第二概率化语义特征向量和所述第三概率化语义特征向量。

5.根据权利要求1所述的基于移动互联网的教育平台互动方法，其中，对所述贝叶斯特征向量进行最大条件似然估计以获得由多个最大条件自然估计值组成的分类特征向量，包括：计算所述第一概率化语义特征向量和所述第二概率化语义特征向量中各个位置的特征值之间的余弦距离，以获得由多个余弦距离组成的角度向量；

基于所述角度向量，计算所述贝叶斯特征向量中各个位置的特征值对应的最大条件似然估计值以获得所述分类特征向量。

6.根据权利要求5所述的基于移动互联网的教育平台互动方法，其中，基于所述角度向量，计算所述贝叶斯特征向量中各个位置的特征值对应的最大条件似然估计值以获得所述分类特征向量，包括：基于所述角度向量，以如下公式计算所述贝叶斯特征向量中各个位置的特征值对应的最大条件似然估计值以获得所述分类特征向量；

其中，所述公式为：

，

其中， 为所述贝叶斯特征向量 的每个位置的特征值， 表示角度向量 的二范数，为预定参数。

7.根据权利要求1所述的基于移动互联网的教育平台互动方法，其中，将所述分类特征向量通过分类器以获得分类结果，包括：将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于待分配题目和学生之间匹配的第一概率和所述分类特征向量归属于待分配题目和学生之间不匹配的第二概率；以及基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。

8.根据权利要求7所述的基于移动互联网的教育平台互动方法，其中，基于所述分类结果，在基于移动互联网的教育平台为所述学生分配题目，包括：响应于所述分类结果为待分配题目和学生之间匹配，将所述待分类的题目通过所述基于移动互联网的教育平台分配给所述学生。

9.一种基于移动互联网的教育平台互动系统，其特征在于，包括：

文本数据获取单元，用于获取待分配题目和学生之前已经解答的题目的文本数据；

特征向量生成单元，用于使用用于题目理解的语义理解模型分别从所述文本数据获取单元获得的所述待分配题目的文本数据和所述文本数据获取单元获得的所述学生之前已经解答的题目的文本数据获得第一语义特征向量和第二语义特征向量；

画像数据特征向量生成单元，用于获取所述学生的画像数据并通过所述语义理解模型以获得对应于所述画像数据的第三语义特征向量；

概率映射单元，用于将所述特征向量生成单元获得的所述第一语义特征向量、所述特征向量生成单元获得的所述第二语义特征向量和所述画像数据特征向量生成单元获得的所述第三语义特征向量调整为相同长度后并统一映射到概率空间中以获得第一概率化语义特征向量、第二概率化语义特征向量和第三概率化语义特征向量；

贝叶斯单元，用于以所述概率映射单元获得的所述第三概率化语义特征向量中各个位置的特征值作为先验概率、所述概率映射单元获得的所述第一概率化语义特征向量中各个位置的特征值作为事件概率和所述概率映射单元获得的所述第二概率化语义特征向量中各个位置的特征值作为证据概率，基于贝叶斯算法计算所述概率映射单元获得的所述第三概率化语义特征向量中各个位置的后验概率以获得贝叶斯特征向量，其中，所述后验概率等于所述先验概率乘以所述事件概率除以所述证据概率；

最大条件似然估计单元，用于对所述贝叶斯单元获得的所述贝叶斯特征向量进行最大条件似然估计以获得由多个最大条件自然估计值组成的分类特征向量，其中，所述最大条件似然估计基于所述第一概率化语义特征向量和所述第二概率化语义特征向量中各个位置的特征值之间的余弦距离进行；

分类器处理单元，用于将所述最大条件似然估计单元获得的所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示待分配题目和学生之间的匹配结果；以及分配单元，用于基于所述分类器处理单元获得的所述分类结果，在基于移动互联网的教育平台为所述学生分配题目。

10.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1‑8中任一项所述的基于移动互联网的教育平台互动方法。