1.一种基于语义的深度多实例弱监督文本分类方法，其特征在于，包括以下步骤：S1，将同一社交内容下的多条评论文本组织成文本包，给文本包分发标签，由此得到话题相关包；

S2，从话题相关包中抽取代表话题的关键词，通过关键词构建话题相关向量；

S3，将话题相关向量和词向量作为向量对输入双分支神经网络中，通过双分支神经网络对文本实例进行预测，得到文本实例的类别和包的类别。

2.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，所述S2包括以下步骤：S2‑1，将话题相关包通过LDA算法聚类出若干话题，并提取话题关键词；

S2‑2，采用fasttext模型对话题中的每个关键词进行嵌入表示，并采用话题强相关关键词的向量平均值作为话题相关向量；

将话题关键词 的向量表示为 因此话题相关向量表示为：其中VT表示话题相关向量；

K表示话题强相关关键词的总数。

3.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，还包括：将所述向量对转化为稠密向量输入双分支神经网络中；

所述稠密向量通过词向量 和话题相关向量VT做内积后再叠加到词向量从而得到，公式如下：其中 是叠加后的词向量，是双分支神经网络的输入；

[·,·]表示两个向量连接；

表示词向量；

×表示矩阵按位乘；

VT表示话题相关向量；

因此，双分支神经网络的输入可表示为：其中xij表示第i个包中的第j条文本表，为双分支神经网络的输入；

表示第一个叠加后的词向量， 表示第二个叠加后的词向量， 表示第L个叠加后的词向量；

L表示文本包含的词的个数；

[·,·,...,·,]表示向量的集合。

4.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，在所述双分支神经网络中进行如下操作：引入隐变量Z＝{zij}来刻画文本实例与包之间的关系，zij表示第i个包的第j个实例对包i是正向包贡献的贡献度，0≤zij≤1；若Z服从分布p(z)，那么第i个包为正向包的概率可以表示为：p(Yi＝1|Xi)＝fj∈{1,…,N}{pθ(yij＝1|xij,zij)·[zij‑γ]}             (7)其中，Xi表示第i个包；

Yi表示第i个包的标注；

f是由文本实例向包之间的映射算子；

N表示包的数量；

pθ(yij＝1|xij,zij)表示实例xij被预测为1的概率；

yij表示第i个包中的第j条文本表的标注；

xij表示第i个包中的第j条文本表；

zij表示第i个包的第j个实例对包i是正向包贡献的贡献度；

γ是包中正实例的平均比例。

5.根据权利要求4所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，所述f为均值算子。

6.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，在所述双分支神经网络中还进行如下操作：多实例文本分类中，学习的目标是包的交叉熵最小化：Li＝‑[Yi'logp(Yi|Xi)‑(1‑Yi')log(1‑p(Yi|Xi))]              (8)其中Li表示第i个包的交叉熵；

p(Yi|Xi)表示实例Xi被预测为Yi的概率，为分支一的输出；

Xi表示第i个文本包的输入特征，为分支一的输入；

Yi表示第i个文本包的预测值，

Yi'表示第i个文本包的标注；

对于正包，Yi'＝1，1‑Yi'＝0，因此Li表示为：对于负包Yi'＝0，因此Li表示为：负包中所有文本实例均为负，且当所有pθ(yij|xij,zij)和zij均为负时， 为0，达到最小值；

正包，最小化 等同于p(Yi|Xi)的似然值极大化，将公式(7)代入，则然后公式(11)引入变分推断

其中xij表示第i个包中的第j条文本表；

yij表示第i个包中的第j条文本表的标注；

zij表示第i个包的第j个实例对包i是正向包贡献的贡献度；

γ是包中正实例的平均比例；

pθ(yij|xij)表示实例xij被预测为yij的概率；

p(z)表示贡献度z的p分布；

pθ(yij|xij,z)表示xij的贡献度为z，实例xij被预测为yij的概率；

pθ(yij|xij,z>γ)表示xij的贡献度z>γ，且实例xij被预测为yij的概率；

q(z)表示贡献度z的q分布；

EZ～q[·]表示Z服从q分布的条件下的均值。

7.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，所述神经网络为TextCNN，LSTM、Transformer中的任意一个。

8.根据权利要求1所述的一种基于语义的深度多实例弱监督文本分类方法，其特征在于，还包括：S4，对双分支神经网络的网络参数进行优化：S4‑1，E步以KL最小化为目标，优化参数 目标函数为：其中 表示对 p′进行KL最小化；

表示Y＝1条件下双分支神经网络中分支一的输出，为文本实例的类别；

Yi＝1表示第i个包为正；

xij表示第i个包中的第j条文本；

yij表示第i个包中的第j条实例对包为正的贡献度；

p′＝pθ(y|x)，表示参数θ决定的神经网络在θ固定的情况下计算出来的值，对于负向包，每个实例的pθ(y|x)均为0；

S4‑2，M步固定参数 使同样文本下 和pθ(z|x,Y)的KL散度不变，然后通过优化参数θ，让期望最大化，对数似然值的期望表示如下LM＝EZ～q[logpθ(yij|xij,z>γ)]                      (18)其中LM表示对数似然值的期望；

EZ～q[·]表示Z服从q分布的条件下的均值；

pθ(yij|xij,z>γ)表示在z>γ，且文本包中的实例i经过θ分支后，被预测为正文本的概率；

z表示贡献度；

γ是一个超参数；

按照公式(7)的定义，可将LM以z＝γ为界拆成两部分，对于z>γ只对yij＝1有意义，而对z<γ只对yij＝0有意义，因此，M步的代价函数LM可进一步拆解为其中r是一个超参数；

pθ(yij＝1|xij)表示包i中文本实例j为正文本的概率；

pθ(yij＝0|xij)表示包i中文本实例j为负文本的概率；

yij＝1表示包i中文本实例j为正；

yij＝0表示包i中文本实例j为负；

公式(19)可以转化为交叉熵

LM＝y′ijlogpθ(yij|xij)‑(1‑y′ij)log(1‑pθ(yij|xij))           (20)其中y′ij是yij的伪标签，在正包中，它由z决定，在负包中，全部为0；

其中mean(·)表示求平均；

γ是包中正实例的平均比例。