1.一种基于分句编码的抽取式文本摘要生成方法，其特征在于，包括如下步骤：步骤1、获取训练数据集，采用分句算法和摘要转换算法对训练数据集进行处理；

步骤2、基于BERT模型对正文句子集合进行编码，获得句向量和文章表征；

所述步骤2中，BERT模型包括依次连接的嵌入层、Transformer层、平均池化层；BERT模型进行编码的具体过程为：步骤2.1、将第i个正文的句子集合Xi输入BERT模型，BERT模型的嵌入层将Xi转换为三维输入向量，三维输入向量的维度是[Si,Li,H]；Si是第i个正文句子；Li是一篇文章中第i个正文句子的长度最大值；H是隐藏层维度；三维输入向量Input如下：Input＝Wordemb+Segmentemb+Positionemb；

其中，Wordemb是字符嵌入向量，Segmentemb是句子嵌入向量，Positionemb是位置嵌入向量；

步骤2.2、三维输入向量Input进入Transformer层，Transformer层由多个block块堆叠组成，下一个block块的输入为上一个block块的输出，最后一个block块输出的形式即是对正文进行的编码表示；

所述步骤2.2中，每一个block块均包括依次连接的多头自注意力层、残差连接层、归一化层、前馈网络层；每一个block块的数据处理过程为：首先多头注意力层结合残差连接层与归一化层表示为：

output＝LayerNorm(x+MultiHead(x1,x2,x3))；

其中，output为输出的网络层结果；LayerNorm(·)为归一化层；x为权重变量；

MultiHead(·)为多头注意力点积运算；x1为第一个网络层；x2为第二个网络层；x3为第三个网络层；

然后再经过包含了两个全连接层的前馈网络层；前馈层结合残差连接层与归一化层表示为：outputfinal＝LayerNorm(x+FeedForward(x))；

其中，outputfinal为最终输出结果；FeedForward(·)为前馈神经网络；

最后数据从block块中输出，作为下一个block块的输入，循环编码输入的向量；多个层的block块就进行堆叠，得到最终的句子向量和文章表征；第i个正文的句子向量集合为Ei＝{ei1,ei2,...,eim}；其中，eim表示第i个正文中的第m个句子的向量表示；拼接所有句子向量，得到整篇文章的向量表示；

步骤2.3、对每篇文章中的句子向量在句子长度这一维度进行平均池化操作，得到一篇文章的向量表示，此时一篇文章向量维度变成了[Si,H]；

步骤2.4、使用padding操作，将不同文章在句子数这一维度做扩充，使得一批文章的维度变为 表示一批文章的数量，L表示一篇文章中的正文句子数量；

BERT模型的训练过程包括两个关键阶段：预训练和微调；在预训练阶段，BERT模型通过遮蔽语言模型任务进行无监督学习；在微调阶段，BERT模型通过有监督学习在特定任务上进行微调；

步骤3、构建基于膨胀卷积和门控卷积的文本分类改进模型并进行模型训练；

所述步骤3中，文本分类改进模型包括膨胀卷积和门控卷积；具体数据流程为：步骤3.1、首先采用膨胀卷积进行计算，计算公式为：

其中，f为输入；a为膨胀率；ω是卷积核；t为卷积核的大小；p为卷积的下限值，q为卷积的上限值；F为f在位置t‑a*p处的取值；

步骤3.2、然后采用门控卷积与残差连接结合进行计算，计算公式为：

其中，Y为门控卷积输出的概率；Conv1D1为卷积层；X为变量值；σ为系数；Conv1D2为第二个卷积层； 为中间变量，步骤3.3、通过膨胀卷积和门控卷积计算出文章的输出以后，直接使用一个全连接线性变换来计算每一个句子的标签，得到序列标注的输出；第i个正文的输出序列为其中，sim为第i个正文中的第m个句子的标签预测结果，每个标签的取值为0或1；

步骤3.4、拼接标签预测结果为1的句子形成最终的抽取式摘要；

步骤4、获取当前待生成摘要，采用分句算法将正文分成若干句子；采用训练完成的文本分类改进模型对正文进行抽取，生成摘要。

2.根据权利要求1所述基于分句编码的抽取式文本摘要生成方法，其特征在于，所述步骤1中，训练数据集采用网络上公开的两个中文摘要数据集news2016zh和微信公众号数据集；训练数据集中的数据均为文章格式，文章包括正文和摘要两部分；采用分句算法对正文部分进行分句；采用摘要转换算法对摘要部分进行处理；

训练数据集中包含若干条数据，数据中正文部分为原文‑标签对格式，对原文‑标签对采用分句算法划分，得到文章中正文部分被分割成的句子集合和摘要标签集合；第i个正文的句子集合为Xi＝{senti1,senti2,...,sentim}，第i个正文的摘要标签集合为Zi＝{zi1,zi2,...,zim}；其中，sentim表示分句后第i个正文中的第m个句子，zim表示第i个正文中的第m个句子的摘要标签，zim取值为0或1；N为正文中出现的句子总数；

摘要转换算法采用ROUGE分数匹配的方式，ROUGE是一组用于自动摘要评估的指标；具体过程为：遍历摘要中的每个句子，计算每个句子的ROUGE分数，每一次迭代结束时，从摘要中删除ROUGE分数最高的句子，重复上述过程直到迭代结束，完成句子去重；将去重后的摘要内容按照筛选后的分数由高到低进行排序，将排序后的摘要作为抽取式摘要的标签，最终得到每篇文章去重后的摘要集合Abstract(Doc)＝(sa1,sa2,...,sam)；其中，Doc为文章，sam表示经过去重和排序后，摘要集合中的第m个句子。