1.一种基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，包括以下步骤：

(1)将化工突发事件新闻文本数据D进行文本预处理，得到新闻文本数据D1；

(2)通过word2vec模型处理化工突发文本数据D1，得到文本特征向量R1，将词向量R1输入到WordAttention模型中，得到新的词依赖特征信息H1，再将词依赖特征信息H1输入到SeqAttention模型，得到子序列特征信息H2；

(3)通过对文本数据D1进行开源拼音包处理，得到对应的拼音序列，之后输入到MLP，经过最大池化层输出拼音向量H3，对预处理后的文本进行one‑hot编码，得到字符向量H4，与拼音向量H3进行矩阵化嵌入，得到2维矩阵向量R3；

(4)将矩阵特征信息R3与位置向量信息R4进行整合得到特征信息H5，输入H5至Bert预训练模型中，得到对应的特征信息H6；

(5)将步骤(2)中的上下文特征信息H2与步骤(4)中的语义特征信息H6进行整合，输入到CNN模型中，得到最终的文本分类结果。

2.根据权利要求1所述的基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，所述步骤(1)包括以下步骤：(11)定义化工突发事件新闻文本数据集为D，定义Text为单个文本数据，定义id，title，label分别为单个文本序列号，数据的标题，文本标签，并且满足关系Text＝{id,title,label}，D＝{Text1,Text2,…,Texti,…,Textn}，Texti为D中第i个文本信息数据，其中，n＝len(D)为D中文本数量，变量i∈[1,n]；

(12)定义处理后的化工突发事件文本数据集为D1，D1＝{Text1,Text2,…,Textj,…,Textm}，Textj为D1中第j个文本信息数据，其中，m＝len(D1)分别为D1中文本数量，变量j∈[1,m]；

(13)读取数据集D，遍历整个数据集；

(14)如果title＝＝null，执行(15)，否则执行(16)；

(15)删除对应行数据；

(16)根据停用词表去除一些无用的字符；

(17)保存预处理后的文本数据集D1。

3.根据权利要求1所述的基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，所述步骤(2)包括以下步骤：(201)读取预处理后的文本数据集D1；

(202)定义词特征向量集R1；

(203)通过word2vec模型进行数据分词处理，由word2vec模型进行训练得到文本词特征向量

(204)保存词特征向量R1，并且满足 为数据向量集中第i个词特征向量，其中，变量i∈[1,a]，a为分词后词向量的数量；

(205)定义基于注意力机制的词依赖特征向量H1；

(206)将词特征向量R1，输入到Attention机制中，得到基于注意力的词依赖特征向量其中 表示文本中的第j个词依赖特征向量，满足 变量j∈[1,b]，b为词依赖特征向量的数量，其中的Attention机制的输入与调整方法为，使用softmax归一化，进行权重矩阵Wf调节，之后乘V， 其中，dk为一个Q和K向量的维度， 为尺度标量因子，分别代表query，key，value；

(207)定义循环变量k，用来学习第一级注意力机制的词特征向量H1，k初始值为1；

(208)定义基于注意力机制的子序列依赖特征向量H2；

(209)如果k≤b则执行(210)，否则执行(212)；

(210)将词依赖特征向量H1，输入到Attention机制中，得到基于注意力的子序列依赖特征向 量 其中 表示文 本中的 第t个 子序 列依赖特 征向量 ，满足变量t∈[1,c]，c为子序列依赖特征向量的数量；

(211)k＝k+1；

(212)输出并保存二级注意力机制的特征向量H2。

4.根据权利要求1所述的基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，所述步骤(3)包括以下步骤：(31)定义拼音特征向量H3，定义one‑hot字符向量H4，定义融合嵌入矩阵R3；

(32)读入文本数据D1到开源的拼音包里，得到拼音表示，将其输入到MLP中，神经网络中由3个隐藏层，每个隐藏层64个节点数，然后由最大池化层得到拼音向量 满足为数据向量集中第i个字符对应的拼音向量，其中，变量i∈[1,d]，d为拼音向量的数量；

(33)读取预处理数据D1，通过one‑hot编码字符向量，得到字符向量 满足为数据向量集中第j个字符特征向量，其中，变量j∈[1,e]；

(34)融合拼音向量H3和字符向量H4，得到融合嵌入向量 主要使用具有可学习矩阵的全连接层诱导矩阵向量的嵌入，融合矩阵向量 其中 表示文本中的第t个字符对应的融合特征向量，变量t∈[1,s]。

5.根据权利要求1所述的基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，所述步骤(4)包括以下步骤：(41)定义位置向量R4，定义融合位置向量的特征向量矩阵H5，定义Bert预训练后的特征向量H6；

(42)将融合矩阵向量R3与positional Embedding相加，得到整合特征向量矩阵其中，变量h∈[1,f]；

(43)读取整合特征向量矩阵H5输入到Bert模型中训练，得到最终的特征信息向量H6，其中 为Bert训练后向量第p个特征向量，其中，变量p∈[1,g]，对Bert模型的训练参数共享，得到对应的训练特征向量。

6.根据权利要求1所述的基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法，其特征在于，所述步骤(5)包括以下步骤：(51)读取上下文特征信息H2，读取语义信息H6；

(52)将H2和H6整合得到的特征向量输入到CNN分类模型中的卷积层，将先前层的特征映射与卷积核卷积，并加上相应修正偏差b1，作为权重的修正超参数；

(53)通过隐藏层激活函数的相关运算，输出特征映射，使用Leaky‑ReLU激活函数，作为隐藏层的激活函数，如下公式，Leaky‑ReLU为所有负值分配一个非零的斜率：其中，ai是固定的超参数，i表示对应第i个特征信息的ai；

(54)定义预测标签集L，使用最大池化层进行处理，之后进行全连接操作，进行文本分类L＝{label}，得到最终的文本分类结果S。