1.一种基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于包括以下步骤：D

步骤1：构造单词到向量的映射表E；

D

步骤2：基于映射表E ，将单条短文本V和所有的标签D分别映射为短文本向量表示矩阵X和标签向量表示矩阵Y；

步骤3：基于短文本向量表示矩阵X，通过自注意力机制，得到经由文本自注意力转换后A的文本表示矩阵X；

步骤4：基于短文本向量表示矩阵X和标签向量表示矩阵Y，通过交互注意力机制，得到B经由短文本与标签交互注意力转换后的交互文本表示矩阵X；

A B

步骤5：融合加权步骤3和步骤4中的文本表示矩阵X 和交互文本表示矩阵X ，得到文本语义表示向量z；

步骤6：根据文本语义表示向量z，经过全连接层预测分类结果与短文本实际标签y进行比较计算出预测误差，并通过不断迭代得到最优参数；

步骤7：对于新的短文本V′，顺序执行步骤2至步骤6得到计算分类结果，此时预测出来的结果即为最终的结果。

2.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述步骤1的具体实现方法为：采用预先训练好的glove词向量，通过预训练的词向D量将每个单词映射为对应的向量表示，得到单词到向量的映射表E ，D代表的是向量维度大小。

3.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特D征在于：所述步骤2的具体实现方法为：根据映射表E ，将单条短文本V＝{v1,v2...vI}映射IxD为向量表示矩阵X∈R ，其中，v1...vI代表单词序列，I代表短文本单词数目，将所有类别的CxD标签D＝{d1,d2...dC}分别映射为向量表示矩矩阵Y∈R ，其中，d1...dC代表标签序列，C代表标签类别的数目，这里的第i个标签di取自数据集中用于描述第i个标签类别的词组，其中，i＝1,2..C。

4.根据权利要求3所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述标签di由1‑2个单词构成。

5.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述步骤3的具体实现方法为：短文本向量表示矩阵X通过自注意力机制分别产生相应的查询Q1、键K1和值V1，所述查询Q1、键K1和值V1与短文本向量表示矩阵X一样，根据查询Q1、键K1之间的匹配程度计算得到的权重系数，再通过权重系数对值V1相乘并进行加权求和A IxD得到文本表示矩阵X∈R 。

6.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述步骤4的具体实现方法为：标签向量表示矩阵Y产生相应的键K2和值V2，所述键K2和值V2与标签向量表示矩阵Y一样，根据查询Q1、键K2之间的匹配程度计算得到的权重系数，再通过权重系数对值V2相乘并进行加权求和得到经由短文本与标签交互注意力转换后B IxD的交互文本表示矩阵X∈R 。

7.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特A征在于：所述步骤5的具体实现方法为：融合加权步骤3和步骤4中的文本表示矩阵X 和交互B文本表示矩阵X 后，再通过平均池化操作直接得到文本语义表示向量z，向量z和输入向量维度保持一致。

8.根据权利要求1所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述步骤6的具体实现方法为：通过文本语义表示向量z，经过全连接层预测分类结果与短文本实际标签y进行比较计算出预测误差，通过最小化交叉熵损失函数，不断迭代得到最优参数。

9.根据权利要求8所述基于自注意力的单词和标签联合的短文本分类预测方法，其特征在于：所述短文本实际标签y是数据集中用来进行测试的标签类别，具体任务分为单标签任务和多标签任务。