1.一种推送信息确定方法，其特征在于，应用于服务器，该推送信息确定方法包括：
获取待推送用户在至少一个历史时间段中，每个历史时间段的历史行为信息；
基于每个历史时间段内的历史行为信息，生成用于表征用户行为特征的特征向量序列；所述特征向量序列中包括：与各个历史时间段分别对应的特征向量；
对所述特征向量序列分别进行至少两次特征提取，并基于所述至少两次特征提取的结果，得到与所述特征向量序列中各个特征向量分别对应的至少两个权重；
基于所述至少两个权重、以及所述特征向量序列，得到所述待推送用户在当前时间段内的行为偏好信息；
基于行为偏好信息确定目标推送信息。
2.根据权利要求1所述的推送信息确定方法，其特征在于，还包括：将所述目标推送信息推送至所述待推送用户的用户终端。
3.根据权利要求1所述的推送信息确定方法，其特征在于，所述对所述特征向量序列进行至少两次特征提取，并基于所述至少两次特征提取的结果，得到与所述特征向量序列中各个特征向量分别对应的至少两个权重，包括：
使用至少两个神经网络中分别对所述特征向量序列进行特征提取，得到与各个神经网络分别对应的中间特征向量；不同神经网络的网络结构和/或网络参数不同；
对所述特征向量序列，以及各个神经网络分别对应的中间特征向量进行交叉注意力处理，得到各个特征向量分别在各个所述神经网络下的权重。
4.根据权利要求3所述的推送信息确定方法，其特征在于，针对与每个特征向量对应的权重有两个的情况，所述神经网络包括：第一神经网络以及第二神经网络；所述中间特征向量包括：与所述第一神经网络对应的第一中间特征向量、以及与所述第二神经网络对应的第二中间特征向量；
所述对所述特征向量序列，以及各个神经网络分别对应的中间特征向量，进行交叉注意力处理，得到各个特征向量分别在各个所述神经网络下的权重，包括：
对所述特征向量序列、以及与所述第二神经网络对应的第二中间特征向量进行注意力处理，得到各个特征向量分别在所述第一神经网络下的第一权重；
对所述特征向量序列、以及与所述第一神经网络对应的第一中间特征向量进行注意力处理，得到各个特征向量分别在所述第二神经网络下的第二权重。
5.根据权利要求3所述的推送信息确定方法，其特征在于，所述基于所述至少两个权重、以及所述特征向量序列，得到所述待推送用户在当前时间段内的行为偏好信息，包括：
针对每个神经网络，基于各个所述特征向量分别在该神经网络下权重，对各个所述特征向量进行加权处理，得到与该神经网络对应的加权特征向量序列；
将与该神经网络对应的加权特征向量序列输入该神经网络中，得到与该神经网络对应的目标特征向量；
基于各个神经网络分别对应的目标特征向量，得到所述待推送用户在当前时间段内的行为偏好信息。
6.根据权利要求4所述的推送信息确定方法，其特征在于，所述基于所述至少两个权重、以及所述特征向量序列，得到所述待推送用户在当前时间段内的行为偏好信息，包括：
基于各个特征向量分别在所述第一神经网络下的第一权重，对所述特征向量序列进行加权处理，得到第一加权特征向量序列；将所述第一加权特征向量序列输入至第一神经网络中，得到与第一神经网络对应的第一目标特征向量；
基于各个特征向量分别在所述第二神经网络下的第二权重，对所述特征向量序列进行加权处理，得到第二加权特征向量序列；将所述第二加权特征向量序列输入至第二神经网络中，得到与第二神经网络对应的第二目标特征向量；
将所述第一目标特征向量和所述第二目标特征向量进行拼接后，输入至预先训练的分类器，得到所述行为偏好信息。
7.根据权利要求3所述的推送信息确定方法，其特征在于，所述神经网络包括：特征提取网络、以及最大池化层；
所述特征提取网络包括：长短期记忆网络、循环神经网络、以及门控循环单元中一种或者多种。
8.根据权利要求1所述的推送信息确定方法，其特征在于，每个所述历史时间段内的历史行为信息包括：历史时间段内的资金操作行为信息、以及历史银行流水信息；
所述基于每个历史时间段内的历史行为信息，生成用于表征用户行为特征的特征向量序列，包括：
基于各个历史时间段内的资金操作行为信息、以及历史银行流水信息，生成用于表征所述待推送用户资金变化及行为特征的特征向量序列。
9.根据权利要求8所述的推送信息确定方法，其特征在于，所述行为偏好信息包括：还款概率预测结果；
所述基于各个历史时间段内的资金操作行为信息、以及历史银行流水信息，生成用于表征所述待推送用户资金变化及行为特征的特征向量序列，包括：
针对每个历史时间段，基于该历史时间段内的资金操行为信息、以及历史银行流水信息，生成所述待推送用户在多种还款概率影响特征下的特征值；
基于所述待推送用户在多种还款概率影响特征下的特征值，生成与该历史时间段对应的特征向量；
基于各个历史时间段的先后顺序、以及各个历史时间段分别对应的特征向量，生成所述特征向量序列。
10.根据权利要求9所述的推送信息确定方法，其特征在于，所述还款概率影响特征包括下述一种或多种：在当前历史时间段及当前历史时间段之前的其他历史时间段出现逾期还款的次数、每次逾期还款时的逾期金额、资产总金额、较之当前历史时间段之前最近的历史时间段的资产总额变化金额、每日进账总额、每日出账总额、每日进账总额与出账总额的差值、每日进账总额的平均值、每日出账总额的平均值、是否在当前历史时间段内出现其他借贷、以及在当前历史时间段内出现其他借贷的情况下的借贷总额。
11.根据权利要求9所述的推送信息确定方法，其特征在于，所述基于所述还款概率预测结果确定目标推送信息，包括：
基于所述还款概率预测结果，以及预先确定的还款概率与推送信息映射关系，从多条推送信息中确定目标推送信息。
12.一种推送信息确定装置，其特征在于，应用于服务器，该推送信息确定装置包括：
获取模块，用于获取待推送用户在至少一个历史时间段中，每个历史时间段的历史行为信息；
生成模块，用于基于每个历史时间段内的历史行为信息，生成用于表征用户行为特征的特征向量序列；所述特征向量序列中包括：与各个历史时间段分别对应的特征向量；
预测模块，用于对所述特征向量序列分别进行至少两次特征提取，并基于所述至少两次特征提取的结果，得到与所述特征向量序列中各个特征向量分别对应的至少两个权重；基于所述至少两个权重、以及所述特征向量序列，得到所述待推送用户在当前时间段内的行为偏好信息；
确定模块，用于基于行为偏好信息确定目标推送信息。
13.一种推送信息确定方法，其特征在于，应用于服务器，所述推送信息确定方法包括：
获取待推送用户在至少一个历史时间段中，每个历史时间段内的资金操作行为信息和历史银行流水信息；
基于各个历史时间段内的资金操作行为信息、以及历史银行流水信息，生成用于表征所述待推送用户资金变化及行为特征的特征向量序列；所述特征向量序列中包括：与各个历史时间段分别对应的特征向量；
对所述特征向量序列分别进行至少两次特征提取，并基于所述至少两次特征提取的结果，得到与所述特征向量序列中各个特征向量分别对应的至少两个权重；
基于所述至少两个权重、以及所述特征向量序列，得到所述待推送用户在当前历史时间段内的还款概率预测结果；
基于所述还款概率预测结果确定目标推送信息。
14.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的推送信息确定方法的步骤。
15.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至11任意一项所述的推送信息确定方法的步骤。