1.一种基于语言预训练模型中的中文文本匹配方法，其特征在于：包括如下步骤：使用预训练语言模型，通过在下游分类任务上进行微调来作为序列分类器，将需要匹配的两句话通过分隔字符拼接起来后作为模型的输入，输出预测结果；

在微调过程中，采用DC‑Match方法，使用将意图与关键词分开的思路，将预训练语言模型Encoder提取的特征预测关键词与意图信息，分别使用掩码覆盖，通过让模型学习区分关键词与意图，以此提高预测准确度；

在预测过程中，对于Encoder后的微调层，将预训练语言模型最后4层的特征单独提取出来，对于每层特征，提取出来的4层特征的结构为[size,token,hidden_states]，对每个token维度分别取出最大的隐层向量，然后进行拼接，拼接后的结构为[size,hidden_states*4]，以此作为输入，输入聚合分类器；

所述聚合分类器中有多个聚合分类模块，每个聚合分类器由线性层、GELU激活函数、注意力模块组成，所有注意力模块共享参数，最终进入全分类层预测匹配结果；

所述预训练语言模型还包括训练部分；

所述训练部分取得的是最后一层的隐层特征，随后分别经过关键词与意图掩码处理，然后进入训练特征分类模块；

所述训练特征分类模块包括激活函数、注意力机制和全连接层，其中注意力机制与注意力模块共享参数，并以加权的形式与激活函数的结果相加，权重大小为超参数。

2.如权利要求1所述的基于语言预训练模型中的中文文本匹配方法，其特征在于：所述训练时的损失包括：(1)模型分类的总损失Lsm；(2)根据远程监督方法，用于衡量模型学习意图与关键词的损失Lds；(3)利用双向KL散度损失来衡量原始预测分布Psm与关键词意图Qds预测分布之间的距离，记为Ldc；

将上述3处损失加权相加，在原有损失函数的基础上进行改进，扩大了意图匹配损失的权重，损失函数如下：

3.如权利要求2所述的基于语言预训练模型中的中文文本匹配方法，其特征在于：将两a b a,b a sep b a b个文本S和S作为连续的序列S ＝[S；w ；S]，得出损失函数Lsm＝‑ln P(y|S ,S)，所述Pa b(y|S ,S)表示关键字匹配。

4.如权利要求2所述的基于语言预训练模型中的中文文本匹配方法，其特征在于：对于Lds，将预训练语言模型的输出状态分为两部分 和 分别对应于关键字和意图的字符序列，其中Nk、Ni表示字符数目，从而得出损失函数其中，Wds是可训练的参数，并且 是PLM的

最后一层输出的隐层信息(hidden_states)，分别是关键词的隐层信息与意图的隐层信息；

其目标旨在推动编码器去学习关键词和意图的表示，使他们能够彼此分离，从而建模不同的匹配等级。

5.如权利要求2所述的基于语言预训练模型中的中文文本匹配方法，其特征在于：对于Ldc， 使用双向KL散a b a b a b a b

度损失来最小化P(y|S ,S)和Q(y|S ,S)，P(y|S ,S)和Q(y|S ,S)分别表示关键字匹配和意图匹配，并假设它们彼此独立。