1.一种基于人工智能的数据挖掘方法，其特征在于，应用于服务器，所述方法包括：获取拟处理文本集合，将所述拟处理文本集合进行拆解，得到多个拆解文本；

对所述多个拆解文本分别进行离散文本表达知识挖掘，得到所述多个拆解文本对应的离散文本表达知识，所述离散文本表达知识包括过渡离散文本表达知识和收束离散文本表达知识；

对所述多个拆解文本分别进行分布文本表达知识挖掘，得到所述多个拆解文本对应的分布文本表达知识，所述分布文本表达知识包括过渡分布文本表达知识和收束分布文本表达知识；

依据所述多个拆解文本对应的过渡离散文本表达知识和过渡分布文本表达知识进行表达知识碰撞，得到所述多个拆解文本对应的目标文本交融表达知识；

依据所述多个拆解文本对应的收束离散文本表达知识、收束分布文本表达知识和目标文本交融表达知识进行表意知识挖掘，得到所述多个拆解文本对应的文本表意知识，并依据所述文本表意知识进行文本类型预测，得到所述多个拆解文本对应的关键文本支持度；

依据所述关键文本支持度从所述拟处理文本集合中确定多个文本序列，并依据所述文本表意知识确定所述多个文本序列对应的整合表意知识；

依据所述多个文本序列对应的整合表意知识进行文本序列类型预测，得到相同文本序列集合。

2.根据权利要求1所述的方法，其特征在于，所述依据所述多个文本序列对应的整合表意知识进行文本序列类型预测，得到相同文本序列集合，包括：依据所述多个文本序列对应的整合表意知识进行隐藏映射，得到隐藏映射知识；

通过所述隐藏映射知识和所述多个拆解文本对应的关键文本支持度进行还原映射，得到所述多个文本序列对应的目标整合表意知识；

依据所述多个文本序列对应的目标整合表意知识对所述多个文本序列进行类型预测，得到所述相同文本序列集合。

3.根据权利要求2所述的方法，其特征在于，所述依据所述多个文本序列对应的整合表意知识进行隐藏映射，得到隐藏映射知识，包括：提取所述多个拆解文本各自对应的初始文本表达知识，从所述多个拆解文本各自对应的初始文本表达知识中确定所述多个文本序列对应的文本序列初始表达知识；

将所述多个文本序列对应的文本序列初始表达知识分别与对应的整合表意知识进行融合，得到所述多个文本序列对应的目标文本融合表达知识；

将所述多个文本序列对应的目标文本融合表达知识加载至映射网络的隐藏模块中进行处理，获得目标隐藏映射知识。

4.根据权利要求2所述的方法，其特征在于，所述依据所述多个文本序列对应的目标整合表意知识对所述多个文本序列进行类型预测，得到所述相同文本序列集合，包括：通过所述多个文本序列对应的目标整合表意知识确定所述多个文本序列之间的共性度量结果；

依据所述多个文本序列之间的共性度量结果进行划簇，得到所述相同文本序列集合。

5.根据权利要求1所述的方法，其特征在于，所述对所述多个拆解文本分别进行离散文本表达知识挖掘，得到所述多个拆解文本对应的离散文本表达知识，所述离散文本表达知识包括过渡离散文本表达知识和收束离散文本表达知识，包括：对所述多个拆解文本分别进行离散知识提取操作，得到所述多个拆解文本对应的多个过渡线性知识和收束线性知识；

将所述多个过渡线性知识进行分布维数统一处理，得到所述多个拆解文本对应的多个过渡离散文本表达知识；

将所述收束线性知识进行分布维数统一处理，得到所述多个拆解文本对应的收束离散文本表达知识。

6.根据权利要求1所述的方法，其特征在于，所述对所述多个拆解文本分别进行分布文本表达知识挖掘，得到所述多个拆解文本对应的分布文本表达知识，所述分布文本表达知识包括过渡分布文本表达知识和收束分布文本表达知识，包括：提取所述多个拆解文本各自对应的初始文本表达知识；

对所述多个拆解文本各自对应的初始文本表达知识进行分布知识提取操作，得到所述多个拆解文本对应的多个过渡分布文本表达知识和收束分布文本表达知识。

7.根据权利要求1所述的方法，其特征在于，所述过渡离散文本表达知识包括多个，所述过渡分布文本表达知识包括多个；

所述依据所述多个拆解文本对应的过渡离散文本表达知识和过渡分布文本表达知识进行表达知识碰撞，得到所述多个拆解文本对应的目标文本交融表达知识，包括：将所述多个过渡离散文本表达知识中第一过渡离散文本表达知识与所述多个过渡分布文本表达知识中对应的第一过渡分布文本表达知识进行融合，得到第一文本融合表达知识，依据所述第一文本融合表达知识进行知识提取操作，得到第一文本交融表达知识；

将所述第一文本交融表达知识、所述多个过渡离散文本表达知识中第二过渡离散文本表达知识与所述多个过渡分布文本表达知识中对应的第二过渡分布文本表达知识进行融合，得到第二文本融合表达知识，依据所述第二文本融合表达知识进行知识提取操作，得到第二文本交融表达知识；

当所述多个过渡离散文本表达知识和所述多个过渡分布文本表达知识均执行完毕，获得目标文本交融表达知识。

8.根据权利要求1所述的方法，其特征在于，所述依据所述多个拆解文本对应的收束离散文本表达知识、收束分布文本表达知识和目标文本交融表达知识进行表意知识挖掘，得到所述多个拆解文本对应的文本表意知识，并依据所述文本表意知识进行文本类型预测，得到所述多个拆解文本对应的关键文本支持度，包括：将所述多个拆解文本对应的收束离散文本表达知识、收束分布文本表达知识和目标文本交融表达知识进行融合，得到所述多个拆解文本对应的目标文本融合表达知识；

依据所述多个拆解文本对应的目标文本融合表达知识进行知识提取操作，得到所述多个拆解文本对应的线性表达知识；

依据所述多个拆解文本对应的线性表达知识确定所述线性表达知识中每个维数下对应的知识向量最大值和知识向量均值；

对所述知识向量最大值和所述知识向量均值进行和运算，得到所述线性表达知识中每个维数下对应的表意挖掘知识向量，依据所述线性表达知识中每个维数下对应的表意挖掘知识向量，得到所述多个拆解文本对应的表意挖掘知识；

将所述多个拆解文本对应的表意挖掘知识进行激活，得到所述多个拆解文本对应的文本表意知识；

通过所述多个拆解文本对应的文本表意知识进行关键文本和非关键文本类型预测，得到所述多个拆解文本对应的关键文本支持度。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述拟处理文本集合加载至文本类型预测模块中，通过所述文本类型预测模块将所述拟处理文本集合进行拆解，得到多个拆解文本；

通过所述文本类型预测模块对所述多个拆解文本分别进行离散文本表达知识挖掘，得到所述多个拆解文本对应的离散文本表达知识，所述离散文本表达知识包括过渡离散文本表达知识和收束离散文本表达知识；

对所述多个拆解文本分别进行分布文本表达知识挖掘，得到所述多个拆解文本对应的分布文本表达知识，所述分布文本表达知识包括过渡分布文本表达知识和收束分布文本表达知识；

通过所述文本类型预测模块对所述多个拆解文本对应的过渡离散文本表达知识和过渡分布文本表达知识进行表达知识碰撞，得到所述多个拆解文本对应的目标文本交融表达知识；

通过所述文本类型预测模块对所述多个拆解文本对应的收束离散文本表达知识、收束分布文本表达知识和目标文本交融表达知识进行表意知识挖掘，得到所述多个拆解文本对应的文本表意知识，并依据所述文本表意知识进行文本类型预测，得到所述多个拆解文本对应的关键文本支持度；

所述文本类型预测模块包括离散文本表达知识挖掘子模块、分布文本表达知识挖掘子模块、表达知识碰撞模块、文本表意知识挖掘模块和类型预测模块；

所述方法还包括：

将所述多个拆解文本加载至所述离散文本表达知识挖掘子模块中进行离散 文本表达知识挖掘，获得过渡离散文本表达知识和收束离散文本表达知识；

并将所述多个拆解文本加载至所述分布文本表达知识挖掘子模块中进行分布文本表达知识挖掘，获得过渡分布文本表达知识和收束分布文本表达知识；

并将多个拆解文本对应的过渡离散文本表达知识和过渡分布文本表达知识加载至所述表达知识碰撞模块中进行表达知识碰撞，得到所述多个拆解文本对应的目标文本交融表达知识；

将所述多个拆解文本对应的收束离散文本表达知识、收束分布文本表达知识和目标文本交融表达知识加载至所述文本表意知识挖掘模块进行表意知识挖掘，得到所述多个拆解文本对应的文本表意知识，并将所述文本表意知识加载至所述类型预测模块进行文本类型预测，得到所述多个拆解文本对应的关键文本支持度。

10.一种服务器，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行如权利要求1 9任一项所述的方法。

~