1.一种基于深度学习的中文文本语义压缩方法，其特征在于，所述方法包括以下步骤：

1)首先对输入文本进行预处理，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；然后利用Jieba中文分词工具进行去除停用词以及分词处理，得到w1,w2,w3,···,wn，接着运用Word2Vec中文预训练模型输出每一个单词w1,w2,w3,···,wn所对应的词向量，用c1,c2,c3,···,cn表示，词向量组c1,c2,c3,···,cn记作C；

2)将词向量组c1,c2,c3,···,cn输入至编码器，编码器共有相同两层，在编码器第一层中，词向量组首先进入自注意力机制，计算过程如下：i q

q＝W×C， i∈[1,n]                    (1)i k

k＝W×C                         (2)i v

v＝W×C                         (3)q k v

其中，W ,W ,W为维数为256的可训练参数方阵；

i i 1

3)对于每一个q ，i∈[1,n]，都令其与每一个k进行向量点乘运算，i∈[1,n]，对于q 分别得到α1,1,α1,2,α1,3,···,α1,n，将α1,1,α1,2,α1,3,···,α1,n进行Softmax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，将所得结果累加得到

1 1 2 3 n

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

1 2 3 n

量，即a ,a ,a ,···,a；

1 2 3 n

4)将注意力向量a ,a ,a ,···,a 分别输入双向长短期记忆神经网络Bi‑LSTM层，分

1 2 3 n 1 2 3 n

别得到向量b ,b ,b ,···,b，维数与a ,a ,a ,···,a相同；

1 2 3 n

5)向量b ,b ,b ,···,b 进入编码器第二层，首先重复进行第一层中的自注意力操

1 2 3 n

作，输出的注意力向量再经过双向长短期记忆神经网络输出向量组e ,e ,e ,···,e，将

1 2 3 n

e ,e ,e ,···,e分别乘以维数为256的可训练参数方阵 分别得到向量 i∈[1,n]；

6)进入解码器部分，解码器共有相同两层，第一层中，首先将由一个维数为256的初始词向量输入至解码器开始进行解码操作；

7)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词向量乘以维数为256的方阵 得到对应向量n ,n ,n保留以进行后续操作；

8)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，从而得到预测语义

9)通过最小化负对数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；

所述步骤6)中，初始词向量将进行自注意力机制操作，所得注意力向量记为m；下一步进入Decoder‑Encoder Attention层进行注意力机制操作，过程如下：将向量m乘以维m m数为256的方阵 得到向量q，将向量q分别与向量 进行点乘操作，i∈[1,n]，得到i∈[1,n]，公式如下：i m

其中， 为向量e与方阵 相乘所得向量，q为向量m与方阵 相乘所得向量；

对 进行Softmax归一化操作得到 i∈[1,n]，再将 分别与各自对应的 相乘，i∈

1 1

[1,n]，所得结果相加得到注意力向量r，向量r再经过前馈神经网络FFNN层得到向量 向量 进入解码器第二层，第二层中重复第一层的操作，最后经过Softmax层输出概率向量，概率值最大的维度对应为第一个目标单词。

2.如权利要求1所述的一种基于深度学习的中文文本语义压缩方法，其特征在于，所述q k v步骤7)中，第二次解码操作说明如下：将向量n ,n ,n 与初始词向量进行自注意力机制操作，得到第一个目标单词词向量对应的注意力向量h，将h乘以维数为256的可训练参数方阵h h i得到向量q，将向量q分别与向量 进行点乘操作，i∈[1,n]，得到γ ，i∈[1,n]，公式如下：i h

其中， 为向量e与方阵 相乘所得向量，q 为注意力向量h与方阵 相乘所得向量；

i

再对γ 进行Softmax归一化操作得到 i∈[1,n]，将 分别与各自对应的 相乘，i∈

2 2

[1,n]，所得结果相加得到注意力向量r，向量r在经过前馈神经网络FFNN层得到向量 向量 进入解码器第二层，第二层中重复第一层的操作，最后经过Softmax层输出概率向量，概率最大的对应为第二个目标单词。

3.如权利要求1所述的一种基于深度学习的中文文本语义压缩方法，其特征在于，所述步骤9)中，损失函数定义为：其中， 为在t时刻解码器生成标准语义句中词语 的概率，T为解码器生成语义句子所需要的总时间。