1.一种基于深度学习的中文文本分类方法，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，过程如下：去除停用词、特殊符号；利用Jieba中文分词工具进行分词处理，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所对应的词向量，用c1,c2,c3,···,cn表示，词向量组c1,c2,c3,···,cn记作矩阵WC；运用训练好的LDA模型输出文本的主题‑词矩阵记为WT，最后将矩阵WC和矩阵WT按对应向量进行拼接操作得到n×dmodel维矩阵WE，dmodel为词向量维数，满足WE＝[WC,WT] (1)

2)将矩阵WE输入至编码器，首先进行位置编码得到矩阵P，计算过程说明如下：

3)将矩阵P与矩阵WE相加得到最终的n×dmodel维词嵌入矩阵WI，公式如下：WI＝WE+P (3)

4)将矩阵输入WI至自注意力机制，生成n×dmodel维矩阵M，公式如下：Q＝WI×WQ (5)

K＝WI×WK (6)

V＝WI×WV (7)

其中，WQ、WK、WV为可训练dmodel维参数方阵，dk为可调超参数；

5)将矩阵M和WI进行残差与归一化操作，得到n×dmodel维矩阵N1，公式如下：N1＝LayerNorm(Μ+WI) (8)

6)将矩阵N1输入至前馈神经网络，得到n×dmodel维矩阵F，公式如下：F＝max(0, N1W1+B1)W2+B2 (9)其中W1、W2为神经网络权重矩阵，B1、B2为神经网络偏置项；

7)下一步，将矩阵WI输入至单隐藏层循环神经网络，将每一个时刻隐藏层输出向量保存，记为矩阵R1，dr为RNN网络维数；

8)将矩阵R1进行线性变换为n×dmodel维矩阵 公式如下其中，WL为dr×dmodel维可训练参数矩阵；

9)将矩阵 F、以及N1进行残差和归一化操作得到矩阵N2，公式如下

10)取矩阵N2的首个向量输入至分类器，首先经过前馈神经网络，输出df维向量f，公式如下：f＝(vCLS·w1+b1)w2+b2 (12)其中，vCLS为N2的首个向量，w1、w2为神经网络权重，b1、b2为神经网络偏置项，df为神经网络维数；

11)将向量f元素进行Softmax运算，数值最大的维度便对应文本类别yp，公式如下：yp＝softmax(f) (13)

12)通过交叉熵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及偏置项，损失函数如下所示：其中，S为训练样本总数，yt为真实类别，yp为预测类别。