1.一种基于相似度模型和FastText的多标签文本分类方法，其特征在于，包括如下步骤：(1)对文本数据进行预处理，得到文本标签数据集G1，文本数据集G2；

(2)通过隐马尔科夫链分词方法处理文本数据集G2，得到文本数据集G3；

(3)通过潜在语义分析方法处理文本数据集G3得到文本向量集V1，通过余弦相似度方法处理文本向量集V1，得到与待处理文本最相近的3个文本标签数据集R1；

(4)通过FastText方法处理文本数据集G3，得到文本标签数据集R2；

(5)通过calLabel方法处理文本标签数据集R1、文本标签数据集R2，得到最终分类的标签。

2.根据权利要求1所述的一种基于相似度模型和FastText的多标签文本分类方法，其特征在于，所述步骤(1)中对文本数据进行预处理的具体步骤如下：(1.1)定义Text为单个文本信息集，Name为单个文本名称集，定义id,name,label分别为单个文本的序号、名称和标签，并且满足关系Text＝{id,name,label}；

(1.2)定义G1、G2分别为文本标签数据集、文本数据集，G1＝{Text1,Text2,…,TextA}，G2＝{name1,name2,…,nameA}，Texta为G1中第a个文本标签信息数据，namea为G2中第a个文本名称数据，其中，A＝Card(G1)，变量a∈[1,A]；

(1.3)使用隐马尔可夫链分词方法seg_sentence对G2处理，得到文本数据集G3＝{name1,name2,…,nameA}，nameb为G3中第b个文本数据，其中，变量b∈[1,A]。

3.根据权利要求1所述的基于相似度模型和FastText的多标签文本分类方法，其特征在于，所述步骤(2)中通过隐马尔科夫链分词方法处理文本数据集G2，得到文本数据集G3的具体步骤如下：(2.1)定义D1为待处理文本数据，D1＝{id1,name1}，其中id1,name1分别为编号,名称；

(2.2)定义循环变量i1用来遍历G3，V1为单词文档向量集，i1赋初值为1，V1赋初值为空；

(2.3)如果i1≤A则跳转到步骤(2.4)，否则跳转到步骤(2.6)；

(2.4)通过对G3i1使用Word2Vec方法得到的单词文档向量vi1，V1＝V1∪{vi1}；

(2.5)i1＝i1+1；

(2.6)得到V1＝{v1,v2,…,vA}，vc为单词文档向量集中第c个单词文档向量，其中，变量c∈[1,A]；

(2.7)通过对V1使用SVD分解方法，得到单词文档向量集V2＝{v1,v2,…,vA}，vd为单词文档向量集中第d个单词文档向量，其中，变量d∈[1,A]；

(2.8)定义循环变量i2，用来遍历V2，simi2为name1与V2i2的相似度，Sim为相似度集，其中i2∈[1,A]，i2赋初值为1；

(2.9)如果i2≤A则跳转到步骤(2.10)，否则跳转到步骤(2.12)；

(2.10)通过对W和V2i2使用余弦相似度方法得到Sim，Sim＝Sim∪{idi2,simi2}；

(2.11)i2＝i2+1；

(2.12)得到Sim＝{{id1,sim1},{id2,sim2},...,{idA,simA}}，ide为相似度集中第e个编号，sime为相似度集中第e个相似度，其中，变量e∈[1,A]；

(2.13)选取相似度集中相似度最高的三个，simtop1,simtop2,simtop3；

(2.14)根据simtop1,simtop2,simtop3对应的idtop1,idtop2,idtop3得到预测标签集Forecast1＝{labeltop1,labeltop2,labeltop3}，其中，labeltopx为Forecast1中的第x个数据项，labeltopx∈Forecast1，x∈[1,3]。

4.根据权利要求1所述的基于相似度模型和FastText的多标签文本分类方法，其特征在于，所述步骤(3)中得到与待处理文本最相近的3个文本标签数据集R1的具体步骤如下：(3.1)定义D2为待处理文本数据，D2＝{name2}，其中name2为名称；

(3.2)定义循环变量i3用来遍历G3，V3为单词文档向量集，i3赋初值为1，V3赋初值为空；

(3.3)如果i3≤A则跳转到步骤(3.4)，否则跳转到步骤(3.6)；

(3.4)通过对G3i3使用Word2Vec方法得到的单词文档向量vi3，V3＝V3∪{vi3}；

(3.5)i3＝i3+1；

(3.6)得到V3＝{v1,v2,…,vA}，vf为单词文档向量集中第f个单词文档向量，其中，变量f∈[1,A]；

(3.7)加入G1中标签得到G4＝{g1,g2,…,gA}，其中gh＝{label,v}，gh为单词文档向量集中第h个文本标签数据集，变量h∈[1,A]；

(3.8)定义字符窗口word_gram＝2，字符数组bucket＝150000，对G4使用FastText方法进行训练，得到模型数据集M1；

(3.9)将name2输入进模型数据集M1，经过模型数据集M1训练，得到预测标签集Forecast2＝{label}。

5.根据权利要求1所述的基于相似度模型和FastText的多标签文本分类方法，其特征在于，所述步骤(4)中通过FastText方法处理文本数据集G3，得到文本标签数据集R2的具体步骤如下：(4.1)定义预测标签集Forecast1＝{labeltop1,labeltop2,labeltop3}，Forecast2＝{label}，最终待处理文本标签数据Forecast，Forecast赋初值为空，其中，labeltopy为Forecast1中的第y个数据项，labeltopy∈Forecast1，y∈[1,3]；

(4.2)如果 则跳转到步骤(4.3)，否则跳转到步骤(4.4)；

(4.3)Forecast＝Forecast2＝{Label}；

(4.4)Forecast＝Forecast1∪Forecast2；

(4.5)得到最终待处理文本标签数据Forecast。