1.基于对比学习的结构感知深度聚类方法，其特征在于，包括：步骤1：获取聚类目标的属性图；聚类目标为：字符、图像和语音片段；属性图为表示聚类目标之间关系的数据结构，在属性图中，每个聚类目标都是一个节点，节点之间的边表示聚类目标之间的关联关系，每个节点具有多个属性，多个属性包括：名称、类型和描述；

步骤2：基于属性图，确定聚类目标的第一特征矩阵和第一邻接矩阵；

步骤3：将第一特征矩阵和第一邻接矩阵输入预设的结构感知深度聚类模型，获得结构感知深度聚类模型结构感知过程中确定的第二特征矩阵与第二邻接矩阵；

步骤4：对比学习第二特征矩阵与第二邻接矩阵，获得对比学习结果；

步骤5：根据对比学习结果对结构感知深度聚类模型进行参数更新，获取参数更新后的结构感知深度聚类模型对聚类目标的聚类结果；

步骤4：对比学习第二特征矩阵与第二邻接矩阵，获得对比学习结果，包括：获取第二特征矩阵的结构感知深度聚类模型中的第一网络层级；

获取第二邻接矩阵在结构感知深度聚类模型中的第二网络层级；

比较第二网络层级与第二网络层级，判断网络层级是否一致；

若一致，将第二特征矩阵作为第三特征矩阵，同时，将第二邻接矩阵作为第三邻接矩阵；

基于预设的信息传播规则，将第三特征矩阵传播至对应第三邻接矩阵的融合节点上；

在融合节点上将第三特征矩阵和第三邻接矩阵进行信息融合，获取信息融合过程中的对比损失函数，同时，获取信息融合后的第四邻接矩阵；

将对比损失函数和第四邻接矩阵共同作为对比学习结果；

获取信息融合过程中的对比损失函数，包括：确定信息融合过程中聚类目标所在的第一节点以及第一节点预设范围内的第二节点；

获取第一节点对第二节点的累计影响，同时，获取第一节点和第二节点之间的节点距离；

根据累计影响和节点距离，获取对比损失函数，对比损失函数的获取公式如下：其中， 为对比损失函数， 为聚类目标所在的第一节点 对预设范围内的第二节点 的累计影响，为第一节点 预设范围内的第二节点 的总数目， 第一节点 与第二节点 之间的节点距离， 为底数为 的指数函数，为预设的温度参数， 为底数为 的对数函数，取2.72。

2.如权利要求1所述的基于对比学习的结构感知深度聚类方法，其特征在于，步骤1：获取聚类目标的属性图，包括：根据聚类目标的属性信息，确定聚类目标的第一特征值；

获取聚类目标之间的关联关系；

将关联关系特征化，获得第二特征值；

获取属性图的绘制规则；

基于绘制规则，根据第一特征值和第二特征值，绘制属性图。

3.如权利要求1所述的基于对比学习的结构感知深度聚类方法，其特征在于，获取信息融合后的第四邻接矩阵，包括：获取信息融合模型；

基于信息融合模型，根据第三特征矩阵和第三邻接矩阵，确定第四邻接矩阵，第四邻接矩阵的确定公式如下：其中, 为信息融合模型的第 个网络层级的第三特征矩阵， 为信息融合模型的第个网络层级的第三邻接矩阵， 为信息融合模型的第 个网络层级的第四邻接矩阵，为预设的平衡系数， 表示信息融合模型的第 的映射函数，为映射函数的输入参数。

4.如权利要求1所述的基于对比学习的结构感知深度聚类方法，其特征在于，步骤5：根据对比学习结果对结构感知深度聚类模型进行参数更新，获取参数更新后的结构感知深度聚类模型对聚类目标的聚类结果，包括：解析对比学习结果，获取结构感知深度聚类模型最终输出的增强表示的第五邻接矩阵，同时，获取结构感知深度聚类模型最终输出的第四特征矩阵；

基于第五邻接矩阵，确定第一聚类软分配；

根据第四特征矩阵，计算第二聚类软分配；

根据第一聚类软分配和第二聚类软分配，计算协同优化损失函数：其中， 为协同优化损失函数， 为第一聚类软分配 与第二聚类软分配之间的 散度；

获取辅助目标分布；

根据第一聚类软分配和辅助目标分布，确定聚类损失函数：其中， 为聚类损失函数， 为第一聚类软分配 与辅助目标分布 之间的 散度；

获取结构感知深度聚类模型的重建损失函数；

基于对比学习结果、协同优化损失函数、聚类损失函数和重建损失函数，确定总损失函数；

基于预设的更新算法，根据总损失函数，对结构感知深度聚类模型进行参数更新，获得参数更新后的结构感知深度聚类模型；

获取参数更新后的结构感知深度聚类模型输出的对聚类目标的聚类结果；

其中，获取辅助目标分布，包括：

基于预设的优化聚类分配规则和归一化规则，根据第一聚类软分配，确定辅助目标分布。

5.如权利要求2所述的基于对比学习的结构感知深度聚类方法，其特征在于，获取聚类目标之间的关联关系，包括：获取聚类目标的目标类型；

查询历史上和聚类目标同一目标类型的查询目标的第一关联关系构建记录；

解析第一关联关系构建记录，获取第一关联关系构建来源；

根据第一关联关系构建来源，确定聚类目标之间的第二关联关系构建来源；

获取第二关联关系构建来源的第一来源类型；

获取第一来源类型对应的关联关系构建模板；

根据关联关系构建模板，确定每一来源类型的第二关联关系构建来源对应的子关联关系；

将所有子关联关系进行整合，获得关联关系。

6.如权利要求5所述的基于对比学习的结构感知深度聚类方法，其特征在于，获取第一来源类型对应的关联关系构建模板，包括：获取大数据平台中的第二关联关系构建记录；

基于预设的第一拆分字段长度，对第二关联关系构建记录进行第一拆分，获得多第一个子记录；

获取第一子记录的记录过程的第一过程类型；

对第一过程类型进行聚类去重，获得第二过程类型；

查询预设的过程类型‑重要值库，确定第二过程类型的重要值；

查询预设的重要值‑拆分字段长度库，确定每一第二过程类型对应的第一子记录的第二拆分字段长度；

基于第二拆分字段长度，对第一子记录进行二次拆分，获得第二子记录；

依次遍历第二子记录，提取每一第二子记录中的关联关系构建动作；

获取关联关系构建动作对应的目标操作；

将目标操作按照对应第二子记录的记录时间的先后顺序进行排序，获得第一来源类型对应的关联关系构建模板。

7.基于对比学习的结构感知深度聚类系统，其特征在于，包括：属性图获取子系统，用于获取聚类目标的属性图；聚类目标为：字符、图像和语音片段；

属性图为表示聚类目标之间关系的数据结构，在属性图中，每个聚类目标都是一个节点，节点之间的边表示聚类目标之间的关联关系，每个节点具有多个属性，多个属性包括：名称、类型和描述；

第一确定子系统，用于基于属性图，确定聚类目标的第一特征矩阵和第一邻接矩阵；

第二确定子系统，用于将第一特征矩阵和第一邻接矩阵输入预设的结构感知深度聚类模型，获得结构感知深度聚类模型结构感知过程中确定的第二特征矩阵与第二邻接矩阵；

对比学习子系统，用于对比学习第二特征矩阵与第二邻接矩阵，获得对比学习结果；

聚类子系统，用于根据对比学习结果对结构感知深度聚类模型进行参数更新，获取参数更新后的结构感知深度聚类模型对聚类目标的聚类结果；

对比学习子系统执行如下操作：

获取第二特征矩阵的结构感知深度聚类模型中的第一网络层级；

获取第二邻接矩阵在结构感知深度聚类模型中的第二网络层级；

比较第二网络层级与第二网络层级，判断网络层级是否一致；

若一致，将第二特征矩阵作为第三特征矩阵，同时，将第二邻接矩阵作为第三邻接矩阵；

基于预设的信息传播规则，将第三特征矩阵传播至对应第三邻接矩阵的融合节点上；

在融合节点上将第三特征矩阵和第三邻接矩阵进行信息融合，获取信息融合过程中的对比损失函数，同时，获取信息融合后的第四邻接矩阵；

将对比损失函数和第四邻接矩阵共同作为对比学习结果；

获取信息融合过程中的对比损失函数，包括：确定信息融合过程中聚类目标所在的第一节点以及第一节点预设范围内的第二节点；

获取第一节点对第二节点的累计影响，同时，获取第一节点和第二节点之间的节点距离；

根据累计影响和节点距离，获取对比损失函数，对比损失函数的获取公式如下：其中， 为对比损失函数， 为聚类目标所在的第一节点 对预设范围内的第二节点 的累计影响，为第一节点 预设范围内的第二节点 的总数目， 第一节点 与第二节点 之间的节点距离， 为底数为 的指数函数，为预设的温度参数，为底数为 的对数函数，取2.72。

8.如权利要求7所述的基于对比学习的结构感知深度聚类系统，其特征在于，属性图获取子系统，包括：第一特征值确定模块，用于根据聚类目标的属性信息，确定聚类目标的第一特征值；

关联关系获取模块，用于获取聚类目标之间的关联关系；

第二特征值确定模块，用于将关联关系特征化，获得第二特征值；

绘制规则获取模块，用于获取属性图的绘制规则；

属性图绘制模块，用于基于绘制规则，根据第一特征值和第二特征值，绘制属性图。