1.一种基于数字工厂的产品数据检测方法，其特征在于，应用于数字产品AI检测系统，所述方法包括：响应于软件产品数据检测指令，调取目标产品，所述目标产品为自动构建生产日志的产品；

依据所述目标产品在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，所述文本知识向量库包括用于构建文本的多个文本知识向量；

为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素；

调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，使得所述第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同；

将抽取获得的第二文本知识向量代替所述不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量，所述第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；

调取所述文本构建神经网络，依据其他的第一文本知识向量、所述第二文本知识向量和其他的第一文本知识向量对应的文本约束要素和所述第二文本知识向量对应的文本约束要素，构建第二目标文本，使得所述第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或所述第二文本知识向量各自相同；

对所述第二目标文本的文本内容进行评估，得到所述第二目标文本的可读性，以评估产品的性能；

其中，所述文本构建神经网络通过如下步骤进行调试获得：

在所述文本知识向量库中进行抽取，获得不少于两个第三文本知识向量；

为所述不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素；

调取所述文本构建神经网络，依据所述不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得所述示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同；

对所述示例目标文本Sample1进行分析，获得第一分析结果，所述第一分析结果指示所述示例目标文本Sample1被识别成自然文本的可信系数，所述自然文本不是通过文本构建神经网络构建得到的；

依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高；

所述方法还包括：

在所述文本知识向量库中进行抽取，获得第四文本知识向量；

将所述第四文本知识向量代替所述不少于两个第三文本知识向量中对应于第二文本约束要素的第三文本知识向量，所述第二文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；

调取所述文本构建神经网络，依据其他的第三文本知识向量、所述第四文本知识向量和其他的第三文本知识向量对应的文本约束要素和所述第四文本知识向量对应的文本约束要素，构建示例目标文本Sample3，使得所述示例目标文本Sample3中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第三文本知识向量或所述第四文本知识向量各自相同；

所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：

对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，所述第一分析结果指示所述示例目标文本Sample1和所述示例目标文本Sample3符合第一预设要求的可信系数，所述第一预设要求指示所述示例目标文本Sample1和所述示例目标文本Sample3被识别成所述自然文本，且所述示例目标文本Sample1和所述示例目标文本Sample3中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同。

2.根据权利要求1所述的基于数字工厂的产品数据检测方法，其特征在于，所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本之前，所述方法还包括：依据所述不少于两个文本约束要素的分布位次和每个第一文本知识向量对应的文本约束要素，将所述不少于两个第一文本知识向量进行组合；

所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，包括：调取所述文本构建神经网络，依据组合后的第一文本知识向量构建所述第一目标文本。

3.根据权利要求1所述的基于数字工厂的产品数据检测方法，其特征在于，所述在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，包括：在不少于两个文本知识向量库中进行抽取，获得所述不少于两个第一文本知识向量，其中不同的文本知识向量库对应的文本约束要素不同；

所述为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素，包括：分别为所述每个第一文本知识向量赋予所属文本知识向量库对应的文本约束要素。

4.根据权利要求1所述的基于数字工厂的产品数据检测方法，其特征在于，所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：调取文本质量分析神经网络，对所述示例目标文本Sample1进行分析，获得所述第一分析结果；

所述依据所述第一分析结果调试所述文本构建神经网络，包括：

依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低。

5.根据权利要求4所述的基于数字工厂的产品数据检测方法，其特征在于，所述方法还包括：获取示例目标文本Sample2，所述示例目标文本Sample2为所述自然文本；

调取所述文本质量分析神经网络，对所述示例目标文本Sample2进行分析，获得第二分析结果，所述第二分析结果指示所述示例目标文本Sample2被识别成所述自然文本的可信系数；

所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高；

依据所述第一分析结果和所述第二分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低，且调取调试后的文本质量分析神经网络将所述自然文本识别成所述自然文本的可信系数提高。

6.根据权利要求1所述的基于数字工厂的产品数据检测方法，其特征在于，所述对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，包括：调取文本质量分析神经网络，对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果；

所述依据所述第一分析结果调试所述文本构建神经网络，包括：

依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低。

7.根据权利要求6所述的基于数字工厂的产品数据检测方法，其特征在于，所述方法还包括：获取示例目标文本Sample4和示例目标文本Sample5，所述示例目标文本Sample4和所述示例目标文本Sample5符合第二预设要求，所述第二预设要求指示所述示例目标文本Sample4和所述示例目标文本Sample5为所述自然文本，且所述示例目标文本Sample4和所述示例目标文本Sample5中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同；

调取所述文本质量分析神经网络，对所述示例目标文本Sample4和所述示例目标文本Sample5进行分析，获得第三分析结果，所述第三分析结果指示所述示例目标文本Sample4和所述示例目标文本Sample5被识别成符合所述第二预设要求的可信系数；

所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高；

依据所述第一分析结果和所述第三分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低，且调取调试后的文本质量分析神经网络将符合所述第二预设要求的目标文本识别成符合所述第二预设要求的可信系数提高。

8.一种数字产品AI检测系统，其特征在于，包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1 7中任一项所述的方法。

~