1.一种模型融合策略的选择方法，其特征在于，所述方法包括：获取目标数据集的目标数据集信息；其中，所述目标数据集为用于对机器学习模型进行训练的训练数据集，每一数据集的数据集信息为：用于描述该数据集的信息；

将所述目标数据集信息，输入预先训练的模型融合策略推荐模型，得到至少一推荐的模型融合策略；其中，所述模型融合策略推荐模型为：基于各样本数据集的样本数据集信息、以及每一样本数据集对应的标注适用信息训练得到的，每一数据集对应的适用信息指示：各待选择的模型融合策略是否适用于该数据集；

从所述至少一推荐的模型融合策略中，选择一模型融合策略，作为适用于所述目标数据集的模型融合策略。

2.根据权利要求1所述的方法，其特征在于，按照以下方式训练所述模型融合策略推荐模型：

获取样本数据集的样本数据集信息和所述样本数据集对应的标注适用信息；

将所述样本数据集信息输入至待训练的机器学习模型，以得到所述待训练的机器学习模型输出的结果，并根据所述待训练的机器学习模型的输出结果，确定预测适用信息，其中，所述预测适用信息指示：各待选择的模型融合策略是否适用于所述样本数据集；

基于所述标注适用信息和所述预测适用信息，计算所述待训练的机器学习模型的损失函数值；

根据所述损失函数值，判断所述待训练的机器学习模型是否收敛，当所述待训练的机器学习模型未收敛时，调整所述待训练的机器学习模型参数，并进行下一次训练，当所述待训练的机器学习模型收敛时，得到训练完成的模型融合策略推荐模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述待训练的机器学习模型的输出结果，确定预测适用信息，包括：若所述机器学习模型的输出结果为：各待选择的模型融合策略是否适用于所述样本数据集，则将所述待训练的机器学习模型的输出结果作为预测适用信息；

若所述机器学习模型的输出结果为：各待选择的模型融合策略对所述样本数据集的适用度，则针对每一待选择的模型融合策略，基于该待选择的模型融合策略对所述样本数据集的适用度，确定该待选择的模型融合策略是否适用于所述样本数据集，得到预测适用信息。

4.根据权利要求2所述的方法，其特征在于，按照以下方式获取所述样本数据集对应的标注适用信息：

针对每一待选择的模型融合策略，利用所述样本数据集训练利用待选择的模型融合策略进行模型融合的机器学习模型，进而确定该训练后的机器学习模型的模型准确率，作为该待选择的模型融合策略对应的准确度；

基于每一待选择的模型融合策略对应的准确度，确定各待选择的模型融合策略，是否适用于利用所述样本数据集，以得到所述样本数据集对应的标注适用信息。

5.根据权利要求3所述的方法，其特征在于，所述基于每一待选择的模型融合策略对应的准确度，确定各待选择的模型融合策略，是否适用于利用所述样本数据集，包括：将各待选择的模型融合策略中，对应的准确率大于准确率阈值的模型融合策略，确定为适用于利用所述样本数据集，以及将准确率不大于所述准确率阈值的模型融合策略，确定为不适用于利用所述样本数据集。

6.根据权利要求1‑5任一项所述的方法，其特征在于，所述从所述至少一推荐的模型融合策略中，选择一模型融合策略，作为适用于所述目标数据集的模型融合策略，包括：随机从所述至少一推荐的模型融合策略中，选择一模型融合策略，作为适用于所述目标数据集的模型融合策略；或者，

按照各推荐的模型融合策略的置信度，选择一模型融合策略，作为适用于所述目标数据集的模型融合策略。

7.根据权利要求1‑5任一项所述的方法，其特征在于，每一数据集的数据集信息至少包括数据集基础信息、缺失值信息、特征信息、标签信息以及序列信息中的至少一种。

8.一种模型融合策略的选择装置，其特征在于，所述装置包括：第一获取模块，用于获取目标数据集的目标数据集信息；其中，所述目标数据集为用于对机器学习模型进行训练的训练数据集，每一数据集的数据集信息为：用于描述该数据集的信息；

信息输入模块，用于将所述目标数据集信息，输入预先训练的模型融合策略推荐模型，得到至少一推荐的模型融合策略；其中，所述模型融合策略推荐模型为：基于各样本数据集的样本数据集信息、以及每一样本数据集对应的标注适用信息训练得到的，每一数据集对应的适用信息指示：各待选择的模型融合策略是否适用于该数据集；

策略选择模块，用于从所述至少一推荐的模型融合策略中，选择一模型融合策略，作为适用于所述目标数据集的模型融合策略。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：第二获取模块，用于获取样本数据集的样本数据集信息和所述样本数据集对应的标注适用信息；

信息确定模块，用于将所述样本数据集信息输入至待训练的机器学习模型，以得到所述待训练的机器学习模型输出的结果，并根据所述待训练的机器学习模型的输出结果，确定预测适用信息，其中，所述预测适用信息指示：各待选择的模型融合策略是否适用于所述样本数据集；

损失值计算模块，用于基于所述标注适用信息和所述预测适用信息，计算所述待训练的机器学习模型的损失函数值；

模型判断模块，用于根据所述损失函数值，判断所述待训练的机器学习模型是否收敛，当所述待训练的机器学习模型未收敛时，调整所述待训练的机器学习模型参数，并进行下一次训练，当所述待训练的机器学习模型收敛时，得到训练完成的模型融合策略推荐模型。

10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1‑7任一所述的方法步骤。

11.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1‑7任一项所述的方法步骤。