1.一种基于层次Trans‑CNN的多标签文本分类方法，其特征在于，包括如下步骤：S1、数据预处理；

S2、对单词进行特征提取；具体过程为：S21、根据Transformer中的encoder构建word‑encoder神经网络，多头自注意力的计算公式为下式：o

MultiHead(Q,K,V)＝Concat(head1,…,headh)W其中，Q，K，V为三个矩阵，每个矩阵的维度为N×D，其中N为每个句子中单词的数目，D为单词的嵌入维度，headi定义如下：Q K V

headi＝Attention(QWi ,KWi ,VWi)Q D×K K D×K V D×V

其中，Wi ∈R ，Wi ∈R ，Wi ∈R ，D为单词嵌入维度，K和V为转换后的单词嵌入维度；

S22、将每个标签下的文本中的单词通过word‑encoder网络，得到词向量特征；通过单词级别Transformer特征抽取后，将每个句子内部的单词嵌入向量进行拼接，得到以句子嵌入向量为粒度的文本表示矩阵；

S3、对句子进行特征提取；具体过程为：S31、根据Transformer中的encoder构建sentence‑encoder神经网络；

S32、将每个标签下的文本中的句子通过sentence‑encoder网络，得到句子向量特征；

S4、将词向量特征和句子向量特征融合；

S5、将融合后的特征通过卷积层，提取特征；

S6、将得到的卷积特征通过全连接网络，对文本进行分类。

2.根据权利要求1所述的一种基于层次Trans‑CNN的多标签文本分类方法，其特征在于，S1包括如下步骤：S11、使用RCV1和AAPD数据集，将文本中的特殊字符去除；

S12、将每个标签种类下的文本中，每个句子的单词少于10的句子去除，句子数目少于

40条的文本去除。

3.根据权利要求1所述的一种基于层次Trans‑CNN的多标签文本分类方法，其特征在于，S5包括如下步骤：S51、将S4得到的融合特征，通过卷积核为1×Ds的卷积神经网络，卷积核数量为n，卷积后得到m×n的向量特征；

其中Ds为句子的嵌入维度，m为句子的个数。

4.根据权利要求1所述的一种基于层次Trans‑CNN的多标签文本分类方法，其特征在于，S6包括如下步骤：S61、构建全连接神经网络；

S62、将S5得到的特征通过该全连接神经网络后，再使用sigmoid激活函数转换为类别概率。