1.一种融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，包括如下步骤：步骤1、通过预训练的BERT模型从输入文本中提取深层语义特征，进行基于BERT的敏感文本分类，理解敏感内容的细微语言模式，计算BERT模型的预测概率；

使用所有标签平均的标准二进制交叉熵损失，对所述BERT模型进行训练：；

其中， 是标签的数量， 表示对于给定的输入标签 被激活的概率， 是标签的真实值， 是损失函数的计算结果；

通过基于标签的损失权重解决标签不平衡，公式如下：；

其中， 是特定于标签的加权系数，得到 是加权后的损失函数结果；

步骤2、构建多标签学习的朴素贝叶斯集成模型，基于词法统计规律，计算得到朴素贝叶斯集成模型的预测概率；

所述朴素贝叶斯集成模型是由 个独立的多项式朴素贝叶斯分类器组成的集合，每个分类器对应于 个标签中的一个，具体处理如下：步骤2.1、给定输入文本序列 ，提取其TF‑IDF表示：；

其中， 为词汇量， 为单词 在 的TF‑IDF得分；

步骤2.2、对于每个标签 ，使用单独的MNB分类器通过贝叶斯规则估计后验概率：；

其中， 表示在文本 的条件下属于标签 的后验概率， 表示在标签的条件下文本 出现的似然概率， 表示标签 的先验概率；

步骤2.3、计算对数后验，以保持数值稳定性：；

其中， 表示标签 的条件下 出现的概率；

步骤2.4、使用 平滑训练数据，估计 ：；

其中， 、 表示单词 和 在以 标记的样本中出现的次数， 是平滑因子；

步骤2.5、计算每一类的原始对数概率，通过Sigmoid函数进行归一化并转换为伪概率：；

其中， 为通过朴素贝叶斯分类器对输入文本 进行处理后，得到的文本属于第个标签的预测概率；

步骤2.6、得到最终的朴素贝叶斯集成预测向量 ：；

所述朴素贝叶斯集成预测向量 在反向传播期间不会更新，用于充当外部信号，通过一致性损失使BERT模型正则化；

步骤3、在训练阶段，引入一致性正则化损失，以得到的朴素贝叶斯集成预测向量为外部信号，强制要求BERT模型和朴素贝叶斯集成模型的预测概率对每个标签进行对齐；

步骤4、在推理阶段，将BERT模型和朴素贝叶斯集成模型联合部署，以概率的方式进行融合预测，得到多标签敏感文本检测结果。

2.根据权利要求1所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，步骤1中，计算BERT模型的预测概率，方法如下：步骤1.1、对于给定的输入文本序列 ，最大长度为 ，通过函数将每个标记 映射为上下文隐藏向量，生成隐藏状态 ：；

其中，是BERT的隐维；

步骤1.2、使用与特殊分类令牌 对应的隐藏状态作为整个序列的定长表示，提取令牌对应的隐藏向量：；

其中， 是提取令牌对应的隐藏向量， 是BERT模型对输入文本进行编码后特殊分类令牌 对应的隐藏状态向量；

步骤1.3、将汇集的向量通过一个线性分类层投影到一个 维的输出空间中：；

其中， 是线性分类层的权重矩阵，用于将BERT模型提取的隐藏状态 投影到标签空间，是线性分类层的偏置向量，用于调整线性变换结果；

步骤1.4、执行多标签分类，按元素应用Sigmoid激活函数 ：；

其中， 是通过线性分类层计算得到的结果向量 中的各个元素， 是BERT模型的概率输出向量。

3.根据权利要求1所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，步骤2.1中所述TF‑IDF得分，计算方式为：；

其中， 表示词频，是单词 在文本 中出现的次数除以文本 的总单词数； 表示逆文档频率，是语料库中文档总数除以包含单词 的文档数。

4.根据权利要求1所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，步骤3中，所述一致性正则化损失通过均方误差定义，表示为：；

通过向量形式表示为：

；

其中， 为BERT模型的概率输出向量， 为朴素贝叶斯集成模型的相应输出向量， 为一致性损失。

5.根据权利要求4所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，对于BERT模型和朴素贝叶斯集成模型不一致度超过预设阈值的样本，一致性正则化损失使用门控函数计算：；

其中， 为门控函数， 为一致性损失， 是门控函数作用于原本一致性损失后的结果。

6.根据权利要求5所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，总训练目标结合BERT的监督分类损失和一致性损失计算，表示为：；

其中， 是非负的超参数，用于控制一致性正则化的相对重要性。

7.根据权利要求6所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，步骤4所述推理过程中，预测向量通过凸组合计算：；

其中， 和 分别是来自BERT模型和朴素贝叶斯集成模型的预测概率向量，是融合权超参数，用于平衡每个模型的贡献。

8.根据权利要求7所述的融合BERT与朴素贝叶斯集成的多标签敏感文本检测方法，其特征在于，对每个标签维度应用固定阈值 ，将软概率转换为用于多标签分类的二元标签决策：；

当标签分布高度不平衡时，在验证集上调整标签特定阈值 ：；

其中， 是凸组合计算得到的软概率， 是二元标签决策。