1.基于BERT与改进LSTM的文本分类方法，其特征在于，包括以下步骤：步骤1：对输入的文本数据进行预处理；

步骤2：将预处理后的文本数据输入BERT模型进行处理，得到词向量序列；

所述步骤2具体包括：

1)利用训练好的BERT模型对预处理后的文本数据集T'的文本进行分词，得到词向量集T”＝{t1”,t2”,...,tn”}，文本数据集的文本被转化成固定长度的词向量t”1＝{w1,w2,...,wL}；

2)将词向量集T”输入BERT中的Token嵌入层、Segment嵌入层和Position嵌入层，分别得到向量编码V1、句子编码V2以及位置编码V3；

3)将V1、V2、V3相加，输入到BERT中的双向Transformer中，得到词向量序列S＝{s1,s2,...,sn}；

步骤3：利用改进的LSTM网络对向量序列进行深度编码，得到特征向量；

所述改进的LSTM网络的LSTM单元包括贡献门、遗忘门、输入门和输出门，贡献门根据上一时刻的细胞状态ct‑1、隐藏状态ht‑1以及当前时刻的输入信息来产生与输入向量xt具有相同维度的注意力向量at，将注意力向量at与xt结合，得到优化的输入向量xt′，作为遗忘门、输入门和输出门的输入；

at＝σa(Waxt+Uaht‑1+Mact‑1+ba)遗忘门：

ft＝σg(Wfxt'+bf)

输入门：

it＝σg(Wixt'+bi)

输出门：

ot＝σg(Woxt'+bo)

细胞状态：

隐藏状态：

其中ht为当前时刻t的隐藏状态，ct为当前时刻t的细胞状态，Wa、Ua、Ma、Wf、Wi、Wo、Wc分别为权重矩阵，ba、bf、bi、bo、bc分别为偏差项；σa、σg、σc、σh分别为激活函数；表示逐元素点乘运算；

步骤4：利用全连接层对特征向量降维；

步骤5：使用分类器对降维的特征向量进行分类。

2.根据权利要求1所述的基于BERT与改进LSTM的文本分类方法，其特征在于，步骤1中，文本数据的预处理包括标点符号过滤、缩写补齐、删除空格和非法字符过滤。

3.根据权利要求1或2所述的基于BERT与改进LSTM的文本分类方法，其特征在于，步骤5使用softmax层对步骤4降维的特征向量进行概率分类，输出概率预测向量P＝{p1,p2,...,pC}，pi,i＝1,2...,C表示文本属于具体分类的概率，C为分类的总数量；将概率值最大的pi对应的分类确定为该文本的类别。