1.一种基于深度学习的文本语义提取方法，其特征在于，所述方法包括以下步骤：

1)在预处理阶段中的操作如下：将所要传输的句子s标准化为词数个数为n，参数n可以自行设定；然后将所要传输的句子输入jieba中文分词模型，进行分词处理，得到w1,w2,w3,···,wn，接着将w1,w2,w3,···,wn输入word2vec中文预训练模型，最后输出每一个单词所对应的词向量，用e1,e2,e3,···,en表示，词向量组e1,e2,e3,···,en记作E；

2)将词向量e1,e2,e3,···,en输入单层循环神经网络，保留最后时刻循环神经网络隐藏层的输出向量，记为t1；该循环神经网络模型的权重由电影评论数据集训练得到；

3)将词向量组e1,e2,e3,···,en输入至编码器，编码器分为相同两层。在编码器第一层中，词向量组首先进入自我注意力机制，计算过程说明如下：i q

q＝W×E，i∈[1,n]         (1)i k

k＝W×E        (2)i v

v＝W×E         (3)q k v

W ,W ,W ：维数为300的方阵，元素由系统模型经过训练得到，E：词向量组e1,e2,e3,···,en；

i i 1

4)对于每一个q (i∈[1,n])，都令其与每一个k (i∈[1,n])进行点乘运算，对于q分别得到α1,1,α1,2,α1,3,···,α1,n，将α1,1,α1,2,α1,3,···,α1,n经过soft‑max层进行归一化操作，得到 其中：

1 2 3 n

再将 分别与各自对应的v ,v ,v ,···,v 相乘，将所得结果累加得

1 1 2 3 n

到向量b；将上述操作进行n次，得到向量b ,b ,b ,···,b，公式如下：至此，完成第一次自我注意力机制操作；将自我注意力机制操作生成的向量称为思想

1 2 3 n

向量，如b ,b ,b ,···,b；

1 2 3 n 1

5)将思想向量b ,b ,b ,···,b分别输入单层前馈神经网络FFNN，分别得到向量f ,

2 3 n 1 2 3 nf ,f ,···,f，维数与b ,b ,b ,···,b相同；

1 2 3 n

6)向量f ,f ,f ,···,f 进入编码器第二层，重复进行第一层中的自我注意力操作以及经过前馈神经网络，由第二层前馈神经网络输出向量组 将向量

1 2 3

分别与向量t1相加，最终得到编码器第二层输出的向量组u ,u ,u ,···,n 1 2 3 n

u，将u ,u ,u ,···,u分别乘以维数为300的方阵 分别得到向量

7)进入解码器部分，解码器同样分为两层，第一层中，首先将由一个维数为300的初始种子词向量输入至解码器开始进行解码操作；

8)由第一个目标单词词向量作为解码器第二次解码的输入，同理将第一个目标单词的q k v q k v

词向量乘以维数为300的方阵W ',W ',W '，得到对应向量m ,m ,m保留以进行后续操作；

9)第二个目标单词作为解码器第三次解码的输入，后续重复上述解码操作步骤，直至输出所有目标单词，从而得到预测句子s^；

10)通过最小化损失函数来训练模型参数，模型参数包括矩阵元素与神经网络权重。

2.如权利要求1所述的一种基于深度学习的文本语义提取方法，其特征在于，所述步骤

7)中，计算过程说明如下：初始种子词向量将进行自我注意力机制操作，所得思想向量记为m；再进行Decoder‑Encoder Attention操作，方法是：将向量m乘以维数为300的方m m

阵 得到向量q ，将向量q分别与向量 进行点乘操作，得到 公式如下：

i

向量u与方阵 相乘所得向量；

m

q：向量m与方阵 相乘所得向量；

将 输入soft‑max层进行归一化操作得到 再将 (i∈[1，n])分别与各自

1 1

对应的 相乘，所得结果相加得到思想向量r ，向量r再经过前馈神经网络FFNN得到向量 向量 进入解码器第二层，第二层中重复第一层的操作，最后输出概率向量，概率最大的对应为第一个目标单词。

3.如权利要求2所述的一种基于深度学习的文本语义提取方法，其特征在于，所述步骤q k v

8)中，第二次解码操作说明如下：将向量m ,m ,m 与初始种子词向量进行自我注意力机制操作，得到第一个目标单词词向量对应的思想向量h，将h乘以维数为300的方阵 得到向量h h i

q，将向量q分别与向量 进行点乘操作，得到γ(i∈[1,n])，公式如下：i

向量u与方阵 相乘所得向量；

h

q：思想向量h与方阵 相乘所得向量；

i

再将γ (i∈[1,n])进行soft‑max归一化操作得到 将 分别与各自对应的

2 2

相乘，所得结果相加得到思想向量r ，向量r在经过前馈神经网络FFNN得到向量 向量 进入解码器第二层，第二层中重复第一层的操作，最后输出概率向量，概率最大的对应为第二个目标单词。

4.如权利要求3所述的一种基于深度学习的文本语义提取方法，其特征在于，所述步骤

10)中，损失函数定义为：q(wl)：第l个单词wl出现在输入句子s中的真实概率；

p(wl)：第l个单词wl在预测句子 中出现的预测概率。