1.一种基于长尾问题的多标签文本分类方法，其特征在于，构建包括文本语义提取模块、权重转移模块、融合模块以及分类模块的文本分类模型，进行分类的过程包括以下步骤：S1、文本语义提取模块通过Bert、BILSTM以及注意力机制对头部标签和尾部标签进行文本语义提取，分别获得头部标签文本表示和尾部标签文本表示；

S2、对头部标签文本表示和尾部标签文本表示分别进行采样，得到头部标签原型和尾部标签原型；

S3、利用头部标签文本表示对头部标签分类器进行训练，获取头部标签分类器，通过最小化头部标签分类器的损失函数，得到头部标签权重；

S4、权重转移模块将头部标签原型映射到头部标签权重上，并通过最小化迁移学习获取转移权重；

S4、权重转移模块根据转移权重对头部标签权重进行转移，得到尾部标签分类器；

S5、融合模块将尾部标签分类器和头部标签分类器进行融合，得到分类模块；

S6、将待分类数据的文本表示输入分类模块，得到分类结果。

2.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，获取文本表示的过程包括：采用Bert模型对文本进行预训练，得到预训练文本表示；

通过BILSTM获取预训练文本表示的文本上下文依赖关系；

利用注意力机制对文本上下文依赖关系进行强化，得到文本表示。

3.根据权利要求2所述的一种基于长尾问题的多标签文本分类方法，其特征在于，文本通过Bert进行预训练，输出结果为{V1，V2，...，Vp，...，Vn}，n代表最大单词长度，Vp为第p个单词对应的文本嵌入向量；采用的Bert维度为768维，多头注意力机制个数是12个，Transformer层数是12层。

4.根据权利要求3所述的一种基于长尾问题的多标签文本分类方法，其特征在于，通过BILSTM获取预训练文本表示的文本上下文依赖关系包括：

2k×n

其中，Vp为第p个单词对应的文本嵌入向量；H为文本上下文依赖关系，H∈R ，为前向文本上下文依赖关系，为后向文本上下文依赖关系， 表示在p处的前向隐状态， 表示在p处的后向隐状态。

5.根据权利要求4所述的一种基于长尾问题的多标签文本分类方法，其特征在于，利用注意力机制对文本上下文依赖关系进行强化，得到文本表示包括：e＝softmax(tanh(W1H))

T

o＝eHW2

1×2k 2k×d

其中，e表示所有单词对文本的贡献程度，o为文本表示，W1∈R 、W2∈R 为可训练矩阵，d表示文档表示的维度。

6.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，头部标签分类器包括一层Sigmoid激活函数，文本表示输入头部标签分类器，将交叉熵损失函数作为头部标签分类器的损失函数，通过最小化损失函数求得头部标签的权重Whead，表示为：其中，为头部标签分类器预测得到的分类结果，o为文本表示，Whead表示头部分类器的权重，lhead表示头标签对应的标签数量，xi表示第i个文本，Dhead表示头部标签对应文本的集合，表示第i个文本对应第j个头部标签的预测概率，yij表示第i个文本对应第j个头部标签的实际概率，loss表示损失函数。

7.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，对头部标签文本表示和尾部标签文本表示分别进行采样，得到头部标签原型和尾部标签原型包括：在x个样本中，对于第i个头标签，文档表示为 那么第i个头标签原型为：在x个样本中，对于第j个尾标签，文档表示为 那么第j个尾标签原型为：其中， 表示第x个样本采样针对第i个头标签的向量表示； 表示第x个样本采样针对第j个尾标签的向量表示；avg{}表示对向量取均值。

8.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，权重转移模块将头部标签原型映射到头部标签权重上，并通过最小化迁移学习获取转移权重的过程包括：其中，τ表示迁移学习器函数，lhead表示头标签对应的标签数量， 表示第i个头标签原型，Wt表示转移权重矩阵， 表示第i个头标签的权重，Whead是左右徐头标签权重的集合；l head为头标签的数量。

9.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，尾部标签分类器的构建过程包括以下步骤：获取第i个头部标签对第j个尾部标签相关性的线性组合，表示为：利用注意力机制对第i个头部标签对第j个尾部标签相关性的线性组合进行处理，并对第i个头标签原型 进行加权，得到第j个尾部标签的新原型，表示为：aji＝softmax(eji)

第j个尾部标签的新原型通过转移矩阵得到其对应的尾部标签分类器，表示为：其中， 表示头标签对尾标签的线性原型组合， 表示第i个头标签原型， 表示第j个尾标签原型；eji表示加性注意力机制处理后的头标签与尾标签相关性，W3表示注意力权重，aji表示注意力分数， 表示第j个头标签的注意力原型，avg表示求取向量的均值，jp表示第j个尾部标签的新原型；Wt表示转移权重矩阵， 表示第j个标签的尾部标签分类器权重。

10.根据权利要求1所述的一种基于长尾问题的多标签文本分类方法，其特征在于，将待分类数据的文本表示输入分类模块，得到分类结果包括：W＝[Whead:Wtail]

其中， 表示分类结果，r表示待分类数据的文本表示；Whead表示头标签权重；Wtail表示尾标签权重。