1.基于词性分解的深度用户点击特征的细粒度图像分类方法，其步骤如下：步骤(1)：分词性构建字典集

首先，对训练图像的用户查询文本运用分词、词干提取、词性标注，选定若干词性，并针对不同词性的单词集，选择点击次数较高的单词构建字典；

其次，从各字典中取出设定数量的关键词构建生成TF‑IDF特征的语料；

步骤(2)：构建图像的TF‑IDF点击张量

首先，针对任意一种词性，根据TF‑IDF算法，利用相应单词语料和用户点击数据，将图像表征为TF‑IDF点击向量；其次，利用外积操作、将不同词性下的TF‑IDF点击向量组构建成TF‑IDF点击张量；

步骤(3)：训练深度点击网络

首先，利用卷积层和全连接层构建一个相对浅层的点击神经网络分类模型，每个卷积层后经过激活函数和归一化层，并利用随机梯度下降方法训练此网络；

步骤(4)：基于深度点击网络进行细粒度图像分类

对图像进行如上(1)‑(3)步骤的操作，提取图像的深度点击特征向量，从而实现基于深度点击特征的细粒度图像分类；

步骤(1)所述的分词性构建字典集，具体操作如下：

1‑1.利用一个包含n张图像、m′条查询文本的点击数据集；针对图像的任意一条文本点击数据(xi，qj，ci，j)其中，xi、qi、ci，j分别为图像、查询文本、对应的图像‑文本点击次数，利用分词技术将任意一条文本点击数据(xi，qj，ci，j)转化为如下单词点击集：((xi，wi，j，1，ci，j)，(xi，wi,j,2，ci，j)，(xi，wi,j,3，ci，j)，...)     公式(1)

1‑2.对所有的文本点击数据施行公式(1)的操作，得到由(xi，wi,j,k，ci，j)构成的单词点击集，对这个集合中的单词依次进行词性还原、重复单词合并、词性标注，得到由图像、单词、对应的图像‑单词点击次数构成的点击矩阵C′；对于C′中的单词，依照词性划分成M个互不相交的集合；对于第m种词性的集合来说，选取其点击次数最多的前ρm个单词，构成第m种词性的字典 将其表示为：中的单词就构成了用以生成第m种词性下TF‑IDF特征所需要的语料； 是表示中的第j个单词。

2.根据权利要求1所述的基于词性分解的深度用户点击特征的细粒度图像分类方法，其步骤(2)所述的图像的TF‑IDF点击张量的具体构建步骤如下：

2‑1.利用步骤1‑2中的C′和 构建图像xi的第m种词性的TF‑IDF点击向量；选取单词其对应的点击次数记作 其中 为图像xi在第m种词性单词wj下的总点击次数；利用C′和TF‑IDF算法，构建图像xi的第m种词性的TF‑IDF点击向量 其第j个元素定义如下：其中， 为指示函数；n为图像总数；ρ′j表示第j个元素在所有图像中的频率，用于计算TF‑IDF算法中的逆文档频率；

2‑2.对所有M个中词性经过步骤1‑2所示后，将获得M个不同词性下的TF‑IDF点击向量；

将这些不同词性TF‑IDF点击向量组成的向量集合记作Vi，其定义如下：

2‑3.利用词性分解的TF‑IDF点击向量集Vi，构建图像的TF‑IDF点击张量t，该张量的元素构建如下：其中， 为词性融合函数，它可被定义为任一合理的融合操作，包括乘积、求和、平均值、最值；TF‑IDF点击张量t是一个M模张量。

3.根据权利要求2所述的基于词性分解的深度用户点击特征的细粒度图像分类方法，其步骤(3)所述的网络的具体结构如下：

3‑1.网络总体结构：

采用了4个卷积层加上2个全连接层的结构；网络的前半部分是卷积层，后半部分是全连接层；每个卷积层后都添加了一个Pooling层、BN层和ReLU层；两个全连接层之间添加一个失活率为0.8的Dropout层；

3‑2.在步骤3‑1描述的四个卷积层中，每个卷积层的结构均为M模1维卷积，它是由M个连续的一维卷积核组成的卷积模块，其中第m个卷积核是对点击张量的m模展开进行的，从而使网络更好地适配数据。