1.一种基于神经网络判断风险事件的方法，其特征在于，包括：
读取事件的记录信息；
接收用户端在多个风险类型中选择的目标风险类型；
获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；
将所述目标信息输入到所述目标风险判断模型中；
接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；
若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。
2.如权利要求1所述的基于神经网络判断风险事件的方法，其特征在于，所述将所述目标信息输入到所述目标风险判断模型中的步骤之前，包括：
采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；
将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。
3.如权利要求2所述的基于神经网络判断风险事件的方法，其特征在于，所述将所述多个事件的记录信息输入到卷积神经网络模型进行训练的步骤，包括：
读取所述记录信息中的立案日期；
根据所述立案日期以及预设的计算规则，计算出所述事件的各处理流程对应的流程时间阶段；
分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；
根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。
4.如权利要求1所述的基于神经网络判断风险事件的方法，其特征在于，所述接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数的步骤，包括：
读取所述记录信息中的关系人信息；
统计预设时间段内具有所述关系人信息的事件的目标事件数量；
根据所述目标事件数量，在事件数量与权重系数的对应关系中确定目标权重系数；
接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。
5.如权利要求1所述的基于神经网络判断风险事件的方法，其特征在于，所述获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息的步骤之前，包括：
读取所述记录信息中的目标理赔金额值；
调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述目标风险类型对应的目标理赔金额阈值；
判断所述目标理赔金额值是否大于所述目标理赔金额阈值；
若是，则执行所述步骤：获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。
6.一种基于神经网络判断风险事件的装置，其特征在于，包括：
第一读取模块，用于读取事件的记录信息；
接收模块，用于接收用户端在多个风险类型中选择的目标风险类型；
第一获取模块，用于获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；
输入模块，用于将所述目标信息输入到所述目标风险判断模型中；
计算模块，用于接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；
判定模块，用于若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。
7.如权利要求6所述的基于神经网络判断风险事件的装置，其特征在于，还包括：
采集模块，用于采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；
训练模块，用于将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。
8.如权利要求7所述的基于神经网络判断风险事件的装置，其特征在于，所述训练模块包括：
读取日期单元，用于读取所述记录信息中的立案日期；
计算阶段单元，用于根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；
添加单元，用于分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；
训练单元，用于根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。