1.一种基于深度学习的车载交互控制算法，其特征在于：该算法包括以下步骤：

S1：获取行车过程相关控制命令与行车自然语言的训练文本；

S2：采用词向量表征方式融合多语境描述进行数据稀疏表示；

S3：构建优化型卷积神经网络学习模型；

S4：在同一语义空间中利用相似度得分机制实现知识图推理；

所述步骤S1具体为：由网络爬虫从互联网获取行车自然语言数据；过滤冗余信息并人工整合行车控制命令与行车自然语言数据；获取训练文本；

所述步骤S2具体为：用最大熵依存句法分析器划分文本短语并获取语境量化描述；采用word2vec将其融合成词向量，借助无监督最大释然学习实现所述数据稀疏表示；

所述步骤S3具体为：构造条件函数来优化切换多学习机制；对稀疏表示的训练数据进行无监督学习预训练进而获取其训练权值；按照适当比例将人工知识注入部分训练数据进行再学习构成所述神经网络学习模型；

所述学习模型通过训练文本稀疏表示进行重复迭代训练更新权重至误差在预设的误差范围之内；

所述步骤S4具体为：根据人类知识表征结构构造附有语义信息的三维张量定义知识图三元组；通过多列卷积神经网络生成知识实体与所需答案相关特征向量；通过哈希、卷积、池化和语义映射运算后得到所述答案相关特征向量；

相似度得分机制为：对词嵌入学习得到的知识图三元组数值向量采用Recursive sentence基本表示结构，在稀疏化表示后提交给多列卷积神经网络模型CNN；通过该神经网络模型的哈希、卷积、最大池化和语义映射运算之后得到答案类型、答案路径、答案周围实体三种特征向量；将这三种特征向量分别与问句向量做相似度计算，最终的推理得分由三种相似度求和而得；即，S(q,a)＝f1(q)Tg1(a)+f2(q)Tg2(a)+f3(q)Tg3(a)；其中，S(q,a)表示推理得分，f1(q)Tg1(a)表示答案类型的相似度，f2(q)Tg2(a)表示答案路径的相似度，f3(q)Tg3(a)表示答案周围实体的相似度。