1.一种基于梯度增强决策树的上下位词关系识别方法，其特征在于，包括如下步骤：(1)随机错位样本训练集的构建；

(2)基于路径的样本训练集的构建；

(3)根据构建得到的随机错位样本训练集、基于路径的样本训练集对半监督联合梯度增强决策树模型进行训练，并利用训练好的模型进行上下位词关系识别。

2.根据权利要求1所述的一种基于梯度增强决策树的上下位词关系识别方法，其特征在于：所述的随机错位样本训练集的构建方法为：(1.1)基于Alibaba Word Segmenter词法分析系统对语料文本进行分词；并从已有的词库中提取上下位词对进行匹配，结合词对之间的文本构造正样本；

(1.2)将成功匹配的词对上下位词错位，作为负样本词对；采用错位词对在文本进行匹配，构建随机错位负样本；

(1.3)将上述步骤得到的正负样本结合，构建得到随机错位样本训练集。

3.根据权利要求1所述的一种基于梯度增强决策树的上下位词关系识别方法，其特征在于：所述基于路径的样本训练集的构建方法为：(2.1)将语料文本碎片化，记作Ssplit＝Split({S1，S2，S3，…，Sn})；

(2.2)取随机错位样本中的错位词对，与语料文本进行匹配，得到含错位上下位词对的句子集合S＝{S，S，S，…，S}；

(2.3)将错位词对之间的路径取出，记作P＝{P1，P2，P3…,Pn}；

(2.4)将这些路径提取后与语料碎片{S1，S2，S3，…，Sn}进行匹配，匹配成功后查询碎片原型句，取路径P′前后第一个但不是原有错位词对的词作为基于路径的负样本词对；与正样本结合得到基于路径的样本训练集。

4.根据权利要求3所述的一种基于梯度增强决策树的上下位词关系识别方法，其特征在于：所述的语料碎片化采用Ngarm算法，枚举所有连续的分词构成的句子碎片，每一个分词记作长度1，取路径长度不大于5的片段。

5.根据权利要求1所述的一种基于梯度增强决策树的上下位词关系识别方法，其特征在于：所述的半监督联合梯度增强决策树模型为加法模型，学习算法为前向分步算法，基函数为CART树；损失函数是均方误差函数损失，即：则负梯度：

其中，y-f(x)即为残差；输出是：分类树F(x)。

6.根据权利要求1所述的一种基于梯度增强决策树的上下位词关系识别方法，其特征在于：所述的半监督联合梯度增强决策树训练方法如下：输入:文本语料库T，预先训练的词嵌入和最大迭代I；

(i)对T进行数据预处理，提取两类训练样本Xp和Xd，其中Xp为基于路径的样本训练集，Xd为随机错位样本训练集；

(ii)利用词嵌入W将每个训练样本转换成向量表示；

(iii)设 和 X′p表示路径样本，X′d表示随机错位样本；

(iv)分别使用Xp∪X′p和Xd∪X′d用训练两个分类器f1和f2；

(v)对未标记样本进行预测，选择置信度高的正性样本作对新的训练样本X′p和X′d进行扩展；

(vi)循环步骤(iv)与步骤(v)，直到X′p和X′d不在出现新的已标注样本；

输出：两个分类器和测试样本的预测标签。