1.一种基于人工智能的社群划分方法，其特征在于，所述基于人工智能的社群划分方法包括：

当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；

根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；

根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；

对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；

基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；

根据多个所述用户相似度及所述群体用户生成用户关系图；

根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。

2.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径包括：对于每个群体用户，从多个所述关系得分中提取该群体用户与每个采集来源的用户关系得分；

计算多个所述用户关系得分的总和，得到用户总分，并计算每个用户关系得分在所述用户总分中的比值，得到每个群体用户与所述多个采集来源的用户概率；

对于每个采集来源，从多个所述关系得分中提取该采集来源与每个群体用户的来源关系得分；

计算多个所述来源关系得分的总和，得到来源总分，并计算每个来源关系得分在所述来源总分中的比值，得到每个采集来源与多个所述群体用户的来源概率；

将多个所述群体用户及所述多个采集来源作为图谱节点，所述用户概率作为每个群体用户游走至每个采集来源的第一游走概率，及所述来源概率作为每个采集来源游走至每个群体用户的第二游走概率构建游走图谱；

以每个群体用户为起点，根据所述游走概率从大至小的顺序在所述游走图谱中进行游走处理，直至达到预设条件，得到所述游走路径。

3.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述对所述属性特征进行离散化处理，得到每个群体用户的属性向量包括：确定所述属性特征所对应的第一标签；

获取所述第一标签的多个预设范围；

从所述多个预设范围中筛选出所述属性特征所在的范围作为目标范围；

将所述目标范围所对应的范围分数作为离散结果；

根据所述属性特征的特征重要度从大至小的顺序拼接所述离散结果，得到所述属性向量。

4.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户包括：从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值；

对于每个用户对，根据每个用户对的任意两个属性向量计算所述用户对的第一相似度，并计算所述第一相似度与所述属性权值的乘积，得到所述用户对的属性相似度；

根据每个用户对的任意两个行为向量计算所述用户对的第二相似度，并计算所述第二相似度与所述行为权值的乘积，得到所述用户对的行为相似度；

计算所述属性相似度与所述行为相似度的总和，得到所述用户相似度。

5.如权利要求4所述的基于人工智能的社群划分方法，其特征在于，在从所述回归模型中获取所述属性特征的属性权值及所述行为特征的行为权值之前，所述方法还包括：确定所述属性特征所对应的第一标签，并确定所述行为特征所对应的第二标签；

基于所述第一标签及所述第二标签从样本集中获取样本用户在所述第一标签上的第一用户信息及在所述第二标签上的第二用户信息，所述样本集中存储有所述样本用户在多个标签下的离散数据；

获取所述样本用户的用户价值分；

基于预先构建的学习器分析所述第一用户信息及所述第二用户信息，得到预测分；

调整所述学习器中的设定值，直至所述用户价值分与所述预测分的差值不再降低，得到所述回归模型。

6.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述根据多个所述用户相似度及所述群体用户生成用户关系图包括：从多个所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度；

将所述目标相似度所对应的用户对中的任意两个群体用户确定为目标用户；

将每个群体用户作为用户节点，所述目标相似度作为所述目标用户的相似权值构建所述用户关系图。

7.如权利要求1所述的基于人工智能的社群划分方法，其特征在于，所述根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体包括：对于每个群体用户，在所述用户关系图中根据所述相似权值从大至小的顺序进行节点游走，得到多个初始群体；

基于第一预设编码规则对每个初始群体中的首位用户进行编码，得到多个群组编码，并基于第二预设编码规则对每个初始群体中的其余用户进行编码，得到多个组内编码；

根据所述多个群组编码、所述多个组内编码及预设终止编码生成与所述多个初始群体对应的多个序列编码；

计算每个序列编码中与该序列编码中的群组编码相同的组内编码的数量与该群组编码的数量之和作为每个初始群体的群组数量，并计算所述多个序列编码中与所述多个群组编码相同的组内编码的数量与所述多个群组编码的数量之和作为序列群组总量；

统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的编码总量；

统计每个序列编码中所述群组编码、所述组内编码与终止编码的序列长度，并统计所述多个序列编码中所述群组编码、所述组内编码与终止编码的序列总长；

根据下列公式计算每个初始群体的平均编码长度，包括：；

；

；

其中， 是指第 个初始群体中的群组数量与所述序列群组总量的比值， 是指第 个初始群体中的群组数量与所述序列群组总量的比值， 是指第个初始群体中的群组数量与所述编码总量的比值， 是指第个初始群体中的序列长度与所述序列总长的比值；

根据所述相似权值从小至大的顺序调整所述多个初始群体中的群体用户，直至所述平均编码长度不再降低，得到所述多个目标群体。

8.一种基于人工智能的社群划分装置，其特征在于，所述基于人工智能的社群划分装置包括：

采集单元，用于当接收到社群划分请求时，根据所述社群划分请求采集待处理群体中每个群体用户的属性特征及行为特征；

生成单元，用于根据所述行为特征的多个采集来源及预设规则生成每个群体用户与所述多个采集来源的关系得分；

所述生成单元，还用于根据任一关系得分在多个所述关系得分中的游走概率生成每个群体用户的游走路径；

处理单元，用于对所述属性特征进行离散化处理，得到每个群体用户的属性向量，并对所述游走路径进行向量化处理，得到每个群体用户的行为向量；

分析单元，用于基于预先训练好的回归模型分析所述属性向量及所述行为向量，得到多个用户对的用户相似度，所述用户对包括任意两个群体用户；

所述生成单元，还用于根据多个所述用户相似度及所述群体用户生成用户关系图；

划分单元，用于根据所述用户关系图中每个群体用户的相似权值对所述用户关系图进行划分，直至每个初始群体的平均编码长度不再降低，得到所述待处理群体的多个目标群体。

9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的社群划分方法。

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计算机可读指令，所述计算机可读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人工智能的社群划分方法。