1.一种中文文本对抗样本生成的方法，其特征在于，包括如下步骤：获取原始文本数据，且所述原始文本数据为中文文本分类器的输入数据；

构建一个深度学习攻击模型，使用数据聚集的方法迭代生成训练数据，并使用强化学习的方法训练模型；

使用训练好的攻击模型，输入到所述原始文本数据，以获得对抗样本。

2.根据权利要求1所述的中文文本对抗样本生成的方法，其特征在于，所述步骤构建一个深度学习攻击模型，使用数据聚集的方法迭代生成训练数据，并使用强化学习的方法训练模型中，构建一个深度学习攻击模型包括如下子步骤：初始化一个攻击模型架构，所述攻击模型架构包括有嵌入层、编码层、解码层和线性层；

初始化攻击模型的参数。

3.根据权利要求2所述的中文文本对抗样本生成的方法，其特征在于，所述步骤初始化一个攻击模型架构，所述攻击模型架构包括有嵌入层、编码层、解码层和线性层中，所述嵌入层、编码层和解码层依次串联，且所述嵌入层长度最大为512，解码层和线性层之间用一个Dropout单元连接，所述线性层由768个输入神经单元和1个输出单元的多层感知机构成。

4.根据权利要求2所述的中文文本对抗样本生成的方法，其特征在于，所述步骤初始化攻击模型的参数中，包括如下子步骤：使用预训练模型的参数来初始化嵌入层、编码层和解码层；

使用随机参数来初始化线性层。

5.根据权利要求2所述的中文文本对抗样本生成的方法，其特征在于，所述步骤构建一个深度学习攻击模型，使用数据聚集的方法迭代生成训练数据，并使用强化学习的方法训练模型中，使用数据聚集的方法迭代生成训练数据包括如下子步骤：对原始文本数据的每一个句子，使用Jieba分词工具做分词操作，得到每个句子的词语集合s＝{w1，...，wi，...，wn}，其中s表示当前句子，wi表示分词后的第i个词语；

对分词操作后的每个词语，计算其显著性，具体计算公式为s＝{w1，...，wi，...，wn}和 其中S(s，wi)表示句子s中第i个词wi的显著性，P(ytrhe|s)表示原句子被中文文本分类器分类为ytrhe的概率，表示句子s删除wi词语之后剩余的文本， 表示文本 被中文文本分类器分类为ytrhe的概率；

对分词操作后的每个词语wi，利用WordNet，构建其同义词集合，作为替换的候选词集合Ci＝{c1，...，cn}；

构建的候选词集合中的每一个候选词，计算其有效性，具体计算公式如下：E(s，wi，cj)＝P(ytrue|s)‑P(ytrue|s′i)，s＝{w1，…，wi，…，wn}和s′i＝{w1，…，wi‑1，cj，wi+1…，wn}；其中E(s，wi，cj)表示句子s中第i个词wi的候选词cj的有效性，其中s′i表示句子s使用候选词cj替换词语wi之后的文本，P(ytrue|s′i)表示文本s′i被中文文本分类器分类为ytrue的概率；

对每一个wi，和每个词的候选词，给出一个替换的评分Score＝S(s，wi)*E(s，wi，cj)，选择其评分最高的候选词c′替换wi，定义为一次替换tpi(s，wi，c′)，对整个句子合构成一个文本处理集合TP＝{tp1，…，tpn}；

遍历集合TP，迭代地对原句子进行替换，生成的s′i数据构成对抗样本候选集；对抗样本候选集即训练数据集的文本数据；遍历对抗样本候选集，并且查询中文文本分类器，如果迭代完攻击策略，受害者模型的输出与原标签一致，则以最后一次迭代的索引作为标签添加进数据集；如果分类结果与原标签不一致，以当前句子在数据集中的索引作为标签添加进数据集；

遍历原数据集的每一个句子，实施以上操作步骤，即为迭代生成的训练数据集。

6.根据权利要求5所述的中文文本对抗样本生成的方法，其特征在于，所述步骤构建一个深度学习攻击模型，使用数据聚集的方法迭代生成训练数据，并使用强化学习的方法训练模型中，使用强化学习的方法训练模型包括如下子步骤：使用每一次迭代获得的训练数据，对模型进行相应的一次迭代的训练；

把训练任务建模为一个多分类问题，对于每个原始句子产生的k条训练数据，输入攻击模型，输出k个分数，使用交叉熵损失函数更新模型参数；

完成一次迭代训练之后，继续迭代生成新的训练数据集，做下一次迭代训练。

7.根据权利要求1所述的中文文本对抗样本生成的方法，其特征在于，所述步骤使用训练好的攻击模型，输入到所述原始文本数据，以获得对抗样本中，获得对抗样本包括如下子步骤：

对原始数据的每一个句子，获得攻击模型的输入数据，所述输入数据为目标句子生成的对抗样本候选集；

输入获取的数据，攻击模型输出一个标签，映射这个标签对应的文本数据，即可获得攻击模型生成的对抗样本。

8.一种中文文本对抗样本生成的系统，其特征在于，包括：文本处理模块，所述文本处理模块用于原数据文本的分词操作、词语同义词集构建、计算词语显著性、计算替换词有效性、生成文本处理集合；

训练数据生成模块，所述训练数据生成模块用于便利生成文本处理集合，对原始文本进行替换操作，生成训练数据的文本部分；查询中文文本分类器，生成训练数据的标签部分；

训练模块，所述训练模块用于初始化模型架构和参数，迭代地生成训练数据和训练模型；

攻击模块，所述攻击模块用于向训练好的攻击模型输入原数据，且攻击模型输出对抗样本。

9.一种中文文本对抗样本生成的系统，其特征在于，包括用于执行如权利要求1‑7任一项权利要求所述的方法的单元。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，使所述处理器执行如权利要求1‑7任一项所述的方法。