1.一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，包括以下步骤：S1，先对文本进行预处理，将文本划分为文本单元；然后进行词向量嵌入，将词或词组转换为向量表示；由此，得到文本矩阵X；

S2，将生成的文本矩阵X分别采用Conv1D和AtrousConv1D进行双通道卷积特征提取，得到原始语义信息C和全局文本信息A；

采用Conv1D进行特征提取，得到原始语义信息C包括以下步骤：对于文本S的第i个词表示向量为xi，文本嵌入向量X在卷积核大小为z的一维卷积核w下，通过式(2)对X进行滑动卷积生成特征hi：[xi:xi+z‑1]＝[xi,xi+1,...,xi+z‑1]2)hi＝σ(w1·[xi:xi+z‑1]+b1)3)其中[xi:xi+z‑1]表示卷积核的滑窗范围；

xi表示某个语句第i个单词的词向量；

xi+z‑1表示某个语句第i+z‑1个单词的词向量；

w1表示特征权重；

b1表示偏置；

hi表示卷积核第i次经过滑动卷积后的卷积特征信息；

σ为非线性激活函数，具体为LeakyReLU；

将卷积后的特征hi映射表示为新的卷积特征H：H＝[h1,h2,...,hl‑z+1]5)由此，得到提取后的卷积特征M：M＝[H1,H2,...,Hm]6)其中H1表示第1个卷积信道生成的卷积特征；

Hm表示第m个卷积信道生成的卷积特征；

m为卷积信道的总个数；

对卷积特征图M采用平均池化操作来获取一维卷积通道的原始语义信息，卷积特征图M的池化输出C表示为：C＝avgpool(M)7)

其中，C表示原始语义信息；

avgpool()表示平均池化；

采用AtrousConv1D进行特征提取，得到全局文本信息A：A＝maxpool{LeakyReLU(Z)}9)其中，LeakyReLU()表示非线性激活函数；

maxpool()表示最大池化操作；

Z＝AtrConv1D(X)

其中，Z＝[z1,z2,...,zK]，在长度为K的滤波器wk扩张卷积后生成全域输出zi：其中x[i+p·k]表示AtrousConv1D扩张后的词向量；

p表示对输入向量x[i+p·k]进行扩张卷积的步幅，p∈P，P＝{p1,p2,p3}，p1、p2、p3表示三个语义感受野扩张率；

S3，对生成的原始语义信息C和全局文本信息A采用加权平均注意力生成注意力得分Cscore和Ascore，同时对文本矩阵X进行语义增强得到yk，最后将高维的卷积特征图拼接，然后将拼接后的特征图通过Linear全连接层和Sofrmax层映射为标签的概率分布。

2.根据权利要求1所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，步骤S1的文本为中文文本或英文文本，此时，词向量嵌入为：当为中文文本时，对每个汉字采用中文语料库的预训练词向量进行文本表示；

当为英文文本时，对每个单词采用英文语料库的预训练词向量进行文本表示。

3.根据权利要求1所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，所述进行词向量嵌入，将文本单元转换为向量表示；包括：文本S经过词汇表V的对应索引构成了文本嵌入向量X：X＝index(S)*V 1)其中，index(S)表示文本通过索引预训练语料库生成X的过程；

V表示词汇表。

4.根据权利要求1所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，卷积核大小z≤4。

5.根据权利要求4所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，卷积核大小设置为z＝{2,3,4}。

6.根据权利要求1所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，步骤S3包括以下步骤：S3‑1，对生成的原始语义信息C和全局文本信息A采用加权平均注意力生成注意力得分Cscore和Ascore：其中Cscore和Ascore分别为Conv1D和AtrousConv1D卷积获取的加权注意力得分；

T T

softmax(vcuc)i为vc与uc的矩阵乘积概率映射；

T T

softmax(vaua)i为va与ua的矩阵乘积概率映射；

T

为转置符号；

Ci为C的第i个卷积特征图；

Ai为A的第i个卷积特征图；

l为句子长度；

z为卷积核大小；

a a

vc和va分别为特征向量H和H，H为文本矩阵X经过Conv1D卷积后的映射特征；H 为文本矩阵X经过AtrousConv1D卷积后的映射特征；

uc和ua则为线性变化后的高维特征得分，如式(12)所示：a

其中M、M分别为经过一维卷积通道的卷积特征和经过AtrousConv1D卷积通道的卷积特征；

tanh为激活函数计算注意力的得分；

w1、w2分别表示Conv1D、AtrousConv1D卷积通道的特征权重；

b1、b2分别表示Conv1D、AtrousConv1D卷积通道的偏置；

S3‑2，采用语义增强模块，对文本矩阵X进行语义增强后激活生成的yk，表示为：yk＝σ1(conv(X；wk,bk))13)其中σ1表示ReLU激活函数；

yk表示增强特征；

conv()表示卷积操作；

wk表示卷积通道的特征权重；

bk表示卷积通道的偏置；

c a c a

S3‑3，将yk经过maxpool1D后进行划分，得到增强特征yk 和yk；然后将yk和yk与双通道卷积提取的加权注意力特征进行拼接：其中C和A分别为Conv1D、AtrousConv1D卷积得到的原始语义信息和全局文本信息；

Cscore和Ascore分别为Conv1D、AtrousConv1D卷积获取的加权注意力得分；

c

yk表示与高维卷特征图C·Cscore拼接生成的语义增强特征；

a

yk表示与高维卷特征图A·Ascore拼接生成的语义增强特征；

表示拼接操作；

S3‑4，将拼接后的特征图Hcla通过Linear全连接层和Sofrmax层映射为标签的概率分布。

7.根据权利要求1所述的一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，对预测的概率分布和真实的标签采用交叉熵损失函数来衡量差异，交叉熵损失函数表示为；

其中 表示用于分类的损失；

n为测试样本数；

y为真值标签；

为预测标签。