1.一种结合相对位置信息的弱监督文本分类方法，其特征在于：包括以下步骤：S1：输入初始化种子词，以及与初始化种子词同类的为标记文档；

S2：生成伪标签；

S3：基于生成的伪标签训练Transformer文本分类器；

S4：通过文本分类器为未标记的文本分配标签；

S5：通过比较排序方法，更新每一个类别的种子词，返回步骤S2进行迭代训练；

步骤S3中，使用Transformer的Enconder作为文本分类器；

Transformer模型中位置编码计算公式如下：其中，pos是指当前词在句子中的位置，i是指向量中每个值的索引，dmodel是指词向量的维度，在偶数位置使用正弦编码，在奇数位置使用余弦编码；将位置向量与词向量相加得到融合词向量；

Transformer模型中多头自注意力机制计算公式如下：Q K V

headi＝Attention(QWi，KWi，VWi)O

MultiHead(Q，K，V)＝Concat(head1，head2，...，headh)WQ K V dmodel×dk O dmodel×dmodel其中，Wi 、Wi 、Wi∈R ，W∈R ，i＝1，2，...，h，Q、K、V分别代表查询矩Q K V阵、键矩阵和值矩阵，Q、K、V的值同等于融合词向量矩阵；Wi 、Wi和Wi分别表示对Q、K、V进行线性变换的矩阵，将dmodel维的词向量映射到dk维空间；h代表头的数量，每个头能捕获文本O序列中一个子空间信息，执行h次自注意力机制然后进行拼接，通过线性变换矩阵W得到最终的多头自注意力值；

在所述Transformer模型中引入相对位置编码，并且在每一层transformer的self‑attention中都加入相对位置信息。

2.根据权利要求1所述的结合相对位置信息的弱监督文本分类方法，其特征在于：步骤S1中，输入数据包含两部分：

1)一组用户提供的C类初始化种子词S＝{S1，S2，...SC}，其中 表示i类的ki个种子词；

2)一组属于C类的n个未标记文档U＝{U1，U2，...，Un}。

3.根据权利要求1所述的结合相对位置信息的弱监督文本分类方法，其特征在于：步骤S2中，采用基于统计的方法，为每个文档分配的伪标签为种子词频率最大所在的标签；

文档d被分配到的伪标签l(d)的计算公式如下所示：其中 表示上下文文档d中单词 的术语频率，SC表示类别C的种子词集合。

4.根据权利要求1所述的结合相对位置信息的弱监督文本分类方法，其特征在于：步骤S4中，对于给定的类别Cj和单词w，根据以下三个指标来衡量其重要性：(1)标签指示：使用P(Cj|w)作为标签指示性度量：其中， 指预测为Cj类的文档总数， 指包含单词w的文档；

(2)频率：应用tanh函数对属于标签l的所有文档中种子词s的平均频率进行缩放，得到频率分数：表示被预测为Cj类的文档中单词w的频率；

(3)逆文档频率IDF：

其中n为语料库D中的文档数量，fD，w表示单词w的文档频率；

最后使用几何平均数将所述的三个指标结合起来，得出Cj类单词w的聚合分数：M

R(Cj，w)＝(LI×F×IDF(w))基于所述聚合分数，添加分数靠前的单词以扩展Cj类的种子词集合。