1.一种融合多头注意力机制和相对位置编码的知识库问答方法，其特征在于：包括以下步骤：S1：对输入的自然语言进行预训练，得到300维词向量glove，作为词嵌入层；

S2：利用所述词嵌入层将给定问题集合 转换成词嵌入序列；

S3：使用引入了相对位置编码信息的TransformerEncoder模块对所述词嵌入序列进行Q编码得到问题向量H；所述引入了相对位置编码信息的TransformerEncoder模块为：在原TransformerEncoder模块中，使用的是绝对位置编码，其直接将词向量和位置向量相加作为输入，绝对位置编码计算attention score的表达式为：其中Wq，Wk分别是多头注意力给每个注意力头加的query和key参数，xi和xj表示句子中的两个词， 和 是xi和xj的词嵌入，Ui和Uj是第i个位置和第j个位置的位置向量，T表示转置矩阵；

展开后即对应的第i个词和第j个词之间的attention score表达式为：引入相对位置编码信息的TransformerEncoder模块，是将上式改写为：其中，Wk,E和Wk,R是由前面Wk矩阵生成的两组矩阵，分别代表基于内容的key向量和基于T T位置的key向量，Ri‑j表示相对位置编码，u和v 表示u和v的转置，u和v是通过学习训练得来的参数；

改写逻辑为将所有的Uj改为Ri‑j，表示对key来说将绝对位置转换成相对query的位置，T T将每个head对应的 使用与位置i无关的向量u和v来表示，u和v为可训练的参数；

S4：对候选答案集合 的三种类型信息进行编码，所述三种类型信息为答案类型、答案路径和答案上下文相关信息；

S5：将候选答案的实体类型的文本描述用BiLSTM编码成d维的向量表示

S6：将从候选答案到问句的主题实体词的关系序列定义为答案路径，使用BiLSTM将其编码成向量表示S7：通过一个关系嵌入层计算 的关系嵌入的平均值作为向量表示

S8：将候选答案的周围节点定义为候选答案的上下文，将所述候选答案的上下文使用BiLSTM编码成向量表示S9：使用key‑value记忆网络来存储候选答案信息；所述使用key‑value记忆网络来存储候选答案信息，对其进行如下线性投影：其中， 和 是答案类型的d维key值表示和value值表示， 和 是答案路径的相应d维key值表示和value值表示， 和 是答案上下文相应的d维key值表示和value值表示；

S10：利用主注意力网络增进问题信息和候选答案信息的交互，使用副注意力网络进一步增强问题信息和候选答案信息的交互，得到增强的问题向量表示 和候选答案信息表示S11：通过注意力机制使用问题表示向量查询键值存储器，提取最相关的信息用以更新问题表示向量得到S12：对问题Q的表示 和候选答案集合 的表示 进行匹配度打分

根据分数对候选答案排序，分数越高的被认为越接近正确答案。

2.根据权利要求1所述的融合多头注意力机制和相对位置编码的知识库问答方法，其特征在于：所述TransformerEncoder模块为Transformer模型中的编码器小单元块，其包括多头注意力机制层Multi‑head Attention和前馈神经网络层Feed Forward，在每一层后都有一个残差连接&归一化层Add&Normalize，TransformerEncoder模块的输入是由词向量token embedding加位置向量positional embedding组成，所述positional embedding的计算公式如下：其中，pos表示单词的位置，i是指单词的维度，在偶数位置，使用正弦编码，在奇数位置，使用余弦编码。

3.根据权利要求2所述的融合多头注意力机制和相对位置编码的知识库问答方法，其特征在于：在多头注意力机制中，一个输入向量x经过h组权重矩阵得到h组query、key和value三个向量，每一个词都有h组query、key和value向量，将一个词的query向量和其他每个词的key向量相乘，计算出当前词与所有词的注意力得分attention score，对attention score除以权重矩阵的第一个维度dk的平方根，再进行softmax操作，得到每个词的一个权重值，再将每个词得到的权重值与自身的value向量相乘，并相加，最后计算得到h个输出矩阵Z1、Z2、...Zh，将h个输出矩阵进行拼接在一起，得到最终的输出矩阵Z。

4.根据权利要求3所述的融合多头注意力机制和相对位置编码的知识库问答方法，其特征在于：Add&Normalize层的实质是将输入向量和输出向量做残差连接后，通过LayerNorm进行归一化，将结果传给下一层。

5.根据权利要求4所述的融合多头注意力机制和相对位置编码的知识库问答方法，其特征在于：前馈神经网络层FeedForward包含两层，第一层是ReLU激活函数，第二层是一个线性激活函数。