1.一种相似度计算方法，该计算方法用于计算WordNet中词语的相似度，其特征在于，所述计算方法包括如下步骤：步骤1：从WordNet名词数据集data.noun中提取标号集；

步骤2：使用Word2Vec模型训练上述步骤1中提取的所述标号集；

步骤3：选取计算用单词对，使用Word2Vec模型从经上述步骤2训练过的所述标号集中提取该计算用单词对所对应的标号；

步骤4：基于上述步骤3中提取的所述计算用单词对所对应的标号，使用Word2Vec模型生成标号的词向量；

步骤5：基于上述步骤4中所生成的所述词向量，使用Word2Vec模型计算词语的相似度。

2.根据权利要求1所述的相似度计算方法，其特征在于，所述WordNet名词数据集data.noun包含多个原始数据行，每个所述原始数据行对应一同义词集，每个所述原始数据行的具体形式为{a1 b1 c1 d1 c2 e1 c2 e2}，其中，a1为头标号，b1为第一同义词集，c1为与第一同义词集b1有上位关系的关系符号表示，d1为上位词集标号，c2为与第一同义词集b1有下位关系的关系符号表示，e1、e2均为下位词集标号。

3.根据权利要求2所述的相似度计算方法，其特征在于，所述步骤1进一步包括如下步骤：

步骤1.1：针对所述多个原始数据行中的一个原始数据行进行提取，依次提取该一个原始数据行的头标号a1、上位词集标号d1、下位词集标号e1及下位词集标号e2；

步骤1.2：将上述步骤1.1中提取的各标号汇集在一起，获得中间数据行{a1 d1 e1 e2}；

步骤1.3：对上述步骤1.2中获得的所述中间数据行{a1 d1 e1 e2}进行如此处理：除头标号a1外，在上位词集标号d1、下位词集标号e1及下位词集标号e2的后面均插入一头标号a1，得到一标号集数据行{a1 d1 a1 e1 a1 e2 a1}；

步骤1.4：针对所述多个原始数据行中的其余原始数据行重复上述步骤1.1至步骤1.3，分别得到其各自对应的一标号集数据行{a1 d1 a1 e1 a1 e2 a1}，最终，共获得多个标号集数据行；

步骤1.5：将上述步骤1.4中最终获得的所述多个标号集数据行汇集在一起，获得所述标号集。

4.根据权利要求2所述的相似度计算方法，其特征在于，所述步骤1进一步包括如下步骤：

步骤1.1：针对所述多个原始数据行中的一个原始数据行进行提取，依次提取该一个原始数据行的头标号a1、上位词集标号d1、下位词集标号e1及下位词集标号e2；

步骤1.2：将上述步骤1.1中提取的各标号汇集在一起，获得中间数据行{a1d1 e1 e2}；

步骤1.3：对上述步骤1.2中获得的所述中间数据行{a1 d1 e1 e2}进行如此处理：分别以上位词集标号d1、下位词集标号e1及下位词集标号e2为中心，在上位词集标号d1的前后位置均插入一头标号a1，分别在下位词集标号e1及下位词集标号e2的前面插入一标号串，该标号串为一头标号a1和所有上位词集标号d1组成的标号串{a1 d1}，且分别在下位词集标号e1及下位词集标号e2的后面插入前述标号串{a1 d1}的倒序排列形式的标号串{d1 a1}，得到一标号集数据行{a1 d1 a1 a1 d1 e1 d1 a1 a1 d1 e2 d1 a1}；

步骤1.4：针对所述多个原始数据行中的其余原始数据行重复上述步骤1.1至步骤1.3，分别得到其各自对应的一标号集数据行{a1 d1 a1 a1 d1 e1 d1 a1 a1 d1 e2 d1 a1}，最终，共获得多个标号集数据行；

步骤1.5：将上述步骤1.4中最终获得的所述多个标号集数据行汇集在一起，获得所述标号集。

5.根据权利要求4所述的相似度计算方法，其特征在于，对于包含m个上位词集标号d1......dm的中间数据行而言，在所述步骤1.3中，需在每个上位词集标号d1......dm的前后位置均插入一头标号a1，并进而在每个下位词集标号的前后位置分别插入标号串{a1 d1......dm}以及该标号串{a1 d1......dm}的倒序排列形式的标号串{dm......d1 a1}，其中，m为大于零的整数。

6.根据权利要求1-5中任意一项所述的相似度计算方法，其特征在于，在所述步骤1.2中，训练时，将Word2Vec模型要训练出来的词向量的维度size设置为300，每一批传递给线程的单词数量batch_words设置为5000个，词向量上下文最大距离window设置为14，词语最低出现次数min_count设置为1，并将sg和hs均设置为1，即采用基于Hierarchical Softmax技术的Skip-gram模型。

7.根据权利要求1-5中任意一项所述的相似度计算方法，其特征在于，在所述步骤1.2中，训练时，将Word2Vec模型要训练出来的词向量的维度size设置为100，每一批传递给线程的单词数量batch_words设置为9个，词向量上下文最大距离window设置为15，词语最低出现次数min_count设置为1，并将sg和hs均设置为1，即采用基于Hierarchical Softmax技术的Skip-gram模型。

8.根据权利要求1-7中任意一项所述的相似度计算方法，其特征在于，在所述步骤5中，当使用Word2Vec模型计算出来的词语的相似度为多个时，选取多个相似度中的最大相似度作为最终计算结果。