1.一种基于互联网的学习资源共享管理方法，其特征在于，包括：

采集资源共享平台中待分析学生以往观看的某一科目的多个学习资源视频、待分析学生对该科目的知识点测评数据以及与该科目相关的多个待推荐学习资源视频；

分别对所述待分析学生以往观看的某一科目的多个学习资源视频、所述待分析学生对该科目的知识点测评数据以及所述与该科目相关的多个待推荐学习资源视频进行特征提取和分析以得到学生学习需求特征向量以及多个学习资源特征向量；

使用联合编码器将所述学生学习需求特征向量和所述多个学习资源特征向量中各个学习资源特征向量进行特征联合以得到多个学习资源匹配特征矩阵；

基于所述多个学习资源匹配特征矩阵以得到分类结果，所述分类结果用于表示各个待推荐学习资源文本描述是否适合该学生；

其中，基于所述多个学习资源匹配特征矩阵以得到分类结果，所述分类结果用于表示各个待推荐学习资源文本描述是否适合该学生，包括：将所述多个学习资源匹配特征矩阵通过基于卷积神经网络模型的学习资源匹配特征提取模块以得到多个学习资源匹配分类特征矩阵；

对所述多个学习资源匹配分类特征矩阵中的各个学习资源匹配分类特征矩阵进行特征表示的期望激活活跃化以得到多个优化学习资源匹配分类特征矩阵；

将所述多个优化学习资源匹配分类特征矩阵分别通过分类器以得到所述分类结果；

根据所述分类结果，将适合该学生的学习资源进行可视化展现；

其中，对所述多个学习资源匹配分类特征矩阵中的各个学习资源匹配分类特征矩阵进行特征表示的期望激活活跃化以得到多个优化学习资源匹配分类特征矩阵，包括：计算以所述学习资源匹配分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值；

计算所述指数调整特征值除以所述学习资源匹配分类特征矩阵的预定位置的特征值，并对结果计算绝对值以得到归一化指数调整特征值比；

将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述学习资源匹配分类特征矩阵的预定位置的特征值以得到所述优化学习资源匹配分类特征矩阵的预定位置的特征值。

2.根据权利要求1所述的基于互联网的学习资源共享管理方法，其特征在于，分别对所述待分析学生以往观看的某一科目的多个学习资源视频、所述待分析学生对该科目的知识点测评数据以及所述与该科目相关的多个待推荐学习资源视频进行特征提取和分析以得到学生学习需求特征向量以及多个学习资源特征向量，包括：对所述待分析学生以往观看的某一科目的多个学习资源视频进行特征编码以得到学习进度全局特征向量；

对所述待分析学生对该科目的知识点测评数据进行特征编码以得到学生测评特征向量；

将所述学习进度全局特征向量和所述学生测评特征向量进行特征融合以得到所述学生学习需求特征向量；

对所述与该科目相关的多个待推荐学习资源视频进行特征编码以得到所述多个学习资源特征向量。

3.根据权利要求2所述的基于互联网的学习资源共享管理方法，其特征在于，对所述待分析学生以往观看的某一科目的多个学习资源视频进行特征编码以得到学习进度全局特征向量，包括：获取所述待分析学生以往观看的某一科目的多个学习资源视频中各个学习资源视频的关键帧以得到各个视频的多个关键帧;将所述各个视频的多个关键帧分别通过基于深浅特征融合模块的学习进度特征提取器以得到各个视频的多个学习进度特征矩阵；

将所述各个视频的多个学习进度特征矩阵分别按时间维度排列为各个视频的学习进度时序输入张量后通过包含三维卷积核的学习进度时序特征提取模块以得到各个视频的学习进度时序特征图；

将所述各个视频的学习进度时序特征图进行级联以得到学习进度全局特征图；

将所述学习进度全局特征图进行池化操作以得到所述学习进度全局特征向量。

4.根据权利要求3所述的基于互联网的学习资源共享管理方法，其特征在于，将所述各个视频的多个关键帧分别通过基于深浅特征融合模块的学习进度特征提取器以得到各个视频的多个学习进度特征矩阵，用于：从所述学习进度特征提取器的第i层提取浅层特征矩阵，所述第i层为所述学习进度特征提取器的第一层至第六层；

从所述学习进度特征提取器的第j层提取深层特征矩阵，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述各个视频的多个学习进度特征矩阵中的各个学习进度特征矩阵。

5.根据权利要求4所述的基于互联网的学习资源共享管理方法，其特征在于，对所述待分析学生对该科目的知识点测评数据进行特征编码以得到学生测评特征向量，包括：将所述待分析学生对该科目的知识点测评数据进行嵌入编码以得到学生测评嵌入向量；

将所述学生测评嵌入向量通过基于一维卷积神经网络模型的学生测评特征提取模块以得到所述学生测评特征向量。

6.根据权利要求5所述的基于互联网的学习资源共享管理方法，其特征在于，对所述与该科目相关的多个待推荐学习资源视频进行特征编码以得到所述多个学习资源特征向量，包括：获取所述与该科目相关的多个待推荐学习资源视频中各个待推荐学习资源视频的关键帧以得到各个视频的多个学习资源关键帧；

将所述各个视频的多个学习资源关键帧分别按时间维度排列为各个视频的学习资源时序输入张量后通过基于空间注意力机制的学习资源时序特征提取模块以得到多个学习资源时序特征图；

将所述多个学习资源时序特征图分别进行池化操作以得到所述多个学习资源特征向量。

7.一种基于互联网的学习资源共享管理装置，其特征在于,包括：

学习科目数据采集模块，用于采集资源共享平台中待分析学生以往观看的某一科目的多个学习资源视频、待分析学生对该科目的知识点测评数据以及与该科目相关的多个待推荐学习资源视频；

学习科目特征提取模块，用于分别对所述待分析学生以往观看的某一科目的多个学习资源视频、所述待分析学生对该科目的知识点测评数据以及所述与该科目相关的多个待推荐学习资源视频进行特征提取和分析以得到学生学习需求特征向量以及多个学习资源特征向量；

学习科目特征融合模块，用于使用联合编码器将所述学生学习需求特征向量和所述多个学习资源特征向量中各个学习资源特征向量进行特征联合以得到多个学习资源匹配特征矩阵；

学习科目特征分类结果生成模块，用于基于所述多个学习资源匹配特征矩阵以得到分类结果，所述分类结果用于表示各个待推荐学习资源文本描述是否适合该学生；

其中，基于所述多个学习资源匹配特征矩阵以得到分类结果，所述分类结果用于表示各个待推荐学习资源文本描述是否适合该学生，包括：将所述多个学习资源匹配特征矩阵通过基于卷积神经网络模型的学习资源匹配特征提取模块以得到多个学习资源匹配分类特征矩阵；

对所述多个学习资源匹配分类特征矩阵中的各个学习资源匹配分类特征矩阵进行特征表示的期望激活活跃化以得到多个优化学习资源匹配分类特征矩阵；

将所述多个优化学习资源匹配分类特征矩阵分别通过分类器以得到所述分类结果；

根据所述分类结果，将适合该学生的学习资源进行可视化展现；

其中，对所述多个学习资源匹配分类特征矩阵中的各个学习资源匹配分类特征矩阵进行特征表示的期望激活活跃化以得到多个优化学习资源匹配分类特征矩阵，包括：计算以所述学习资源匹配分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值；

计算所述指数调整特征值除以所述学习资源匹配分类特征矩阵的预定位置的特征值，并对结果计算绝对值以得到归一化指数调整特征值比；

将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述学习资源匹配分类特征矩阵的预定位置的特征值以得到所述优化学习资源匹配分类特征矩阵的预定位置的特征值。

8.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1‑6中任一项所述的基于互联网的学习资源共享管理方法。