1.一种面向6G的文本语义通信资源分配方法，其特征在于，提出一个最大化总语义信息频谱效率的模型，求解该模型获取最优资源分配，最大化总语义信息频谱效率的模型表示为：约束条件：

其中，τ表示所有用户的每个词的平均语义符号数的集合，τk表示第k个用户的每个词的平均语义符号数；w表示所有基站到所有用户的波束赋形，wk表示所有基站到第k个用户的波束赋形，wn,k表示从第n个BS到第k用户的波束赋形；hk表示所有基站到第k个用户的信道；

为基站的集合，N为基站的数量； 为用户的集合，K为用户的数量；Lk表示文本的长度，Ik表示文本的语义信息量；ξ(τk,wk；hk)表示语义相似度；Γ表示τk的最大取值；Pn表示第n个基站的传输功率；γk(wk；hk)表示第k个用户的SINR值，γth为设置的SINR阈值；ξth为设置的语义相似度阈值，上标H表示求矩阵的共轭转置。

2.根据权利要求1所述的一种面向6G的文本语义通信资源分配方法，其特征在于，语义相似度ξ(τk,wk；hk)采用广义逻辑回归函数进行定义，表示为：其中， 为广义逻辑回归函数参数。

3.根据权利要求1所述的一种面向6G的文本语义通信资源分配方法，其特征在于，在求解最大化语义信息的频谱效率的模型的过程中，将该模型拆分为选择决策和资源分配两个*子问题，其中选择决策是指在E个可能的选择动作中进行选择，以找到最优的选择动作τ ；

对于这E个可能的选择动作，资源分配问题表示为：

约束条件：

4.根据权利要求3所述的一种面向6G的文本语义通信资源分配方法，其特征在于，引入新的优化变量和附加约束对资源分配问题进行优化，优化后的资源分配问题表示为：约束条件：

*

其中，S(τ；h)表示优化后的最优资源分配，h表示所有基站到所有用户的信道；η表示所有用户的优化变量； 为一个广义逻辑回归函数，为广义逻辑回归函数参数；ηk表示第k个用户的优化变量。

5.根据权利要求4所述的一种面向6G的文本语义通信资源分配方法，其特征在于，在求解优化后的资源分配问题时，将该问题拆分为两个子问题，具体包括：在给定所有用户的优化变量η的前提下对所有基站到所有用户的波束赋形w进行优化，包括：find w

约束条件：

利用优化得到的所有基站到所有用户的波束赋形w，对所有用户的优化变量η进行优化，包括：约束条件：

其中，Pn表示第n个基站的传输功率。

6.根据权利要求4所述的一种面向6G的文本语义通信资源分配方法，其特征在于，设计*一个选择策略函数πθ当信道h确定后，该函数可以快速生成最优选择动作τ ，具体包括以下步骤：在第t个时间间隔中，深度神经网络将第t个时间间隔确认的信道ht作为输入，将ht转换为ht，表示为：将ht作为输入传递给参数化函数输出松弛选择动作，表示为：K

使用KNN算法将松弛选择动作τt量化为E个选择动作，其中E可以是[1,Γ ]内的任意整数，具体包括：在第t个时间间隔的最佳选择动作表示为：

利用第t个时间间隔的最佳选择动作来更新深度神经网络的选择策略，利用完成训练的深度神经网络根据当前时间间隔确认的信道确定最佳选择动作；

其中， 是此时生成松弛选择动作的参数化函数， 为第t个时间间隔第i个用户输出的松弛选择动作，QE(·)是将松弛选择动作量化成选择动作的量化函数， 为第t个时间间隔第i个用户输出的选择动作； 为以 ht为输入的优化后的资源分配问题。

7.根据权利要求6所述的一种面向6G的文本语义通信资源分配方法，其特征在于，深度神经网络在悬念过程中的损失函数表示为：其中，L(θt)表示网络参数为θt的深度神经网络的损失函数；Ωt表示在第t个时间帧选择的样本集，|Ωt|表示样本集中样本的数量； 表示从样本集Ωt中随机选择出来的第ω个最优选择动作，hω表示的是第ω个最优选择动作 对应的信道。