1.一种基于BERT的智慧政务文本多分类方法，其特征在于，包括：获取政务文本并转换为特征向量，所述特征向量由词向量、分段向量和位置向量组成，同时标记文本中每句话的开头和结尾；

将特征向量输入至训练完成的BERT模型中，输出政务文本的分类结果；

其中，在训练BERT模型的过程中，采用双向Transformer编码中的Encoder特征抽取器提取特征向量中的文本特征；

Encoder特征抽取器由自注意力机制和前馈神经网络组成；

在训练模型时当训练步数超过预设次数，在验证集上进行验证并给出准确率，如果准确率大于此前的最高分模型则保存模型；

在训练BERT模型的过程中，设定测试结果评价指标，保存最高分模型作为训练完成的BERT模型；

其中，准确率采用Acc表示，其表达式为：

TP表示真正例样本数，FP表示实际为假正例样本数，FN表示实际为假负例样本数，TN表示实际为真负例样本数。

2.如权利要求1所述的基于BERT的智慧政务文本多分类方法，其特征在于，词向量表示对当前词的编码，分段向量表示对当前词所在句子的位置编码，位置向量表示对当前词的位置编码，每一句话使用CLS和SEP作为开头和结尾的标记。

3.如权利要求1所述的基于BERT的智慧政务文本多分类方法，其特征在于，政务文本包括留言的编号，用户，主题，时间，留言详情和分类标签。

4.如权利要求1所述的基于BERT的智慧政务文本多分类方法，其特征在于，在训练BERT模型的过程中，采用预训练模型BERT‑Base‑Chinese模型，在训练模型时直接将预训练模型加载运行。

5.如权利要求1所述的基于BERT的智慧政务文本多分类方法，其特征在于，测试结果评价指标包括准确率、精确率、召回率和F1值；

其中，精确率采用P表示，其表达式为： ；

召回率采用R表示，其表达式为： ；

F1值采用F1表示，其表达式为： 。

6.一种基于BERT的智慧政务文本多分类系统，其特征在于，包括：特征转换模块，其用于获取政务文本并转换为特征向量，所述特征向量由词向量、分段向量和位置向量组成，同时标记文本中每句话的开头和结尾；

本文分类模块，其用于将特征向量输入至训练完成的BERT模型中，输出政务文本的分类结果；

其中，在训练BERT模型的过程中，采用双向Transformer编码中的Encoder特征抽取器提取特征向量中的文本特征；

在训练BERT模型的过程中，设定测试结果评价指标，保存最高分模型作为训练完成的BERT模型；

其中，准确率采用Acc表示，其表达式为：

TP表示真正例样本数，FP表示实际为假正例样本数，FN表示实际为假负例样本数，TN表示实际为真负例样本数。

7.一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，该程序被处理器执行时实现如权利要求1‑5中任一项所述的基于BERT的智慧政务文本多分类方法中的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5中任一项所述的基于BERT的智慧政务文本多分类方法中的步骤。