1.一种基于TF‑IDF和CNN启发式短文本特征提取与分类方法，其特征在于，包括如下步骤：(1)对短文本集用结巴分词工具实现中文的文本分词，然后去除文本噪声词，得到文本数据集UNION，包括：(1.1)定义短文本集L＝{l1,l2,…,la}，其中，l是小于等于50个中文字符的文本，将L进行类别标记，定义CATE＝{CATE1,CATE2,…,CATEb}表示标记后的类别文本集；

(1.2)调用结巴分词工具，对CATE进行中文分词，得到词集SEG＝{segi1,segi2,segi3,…,segic}，其中，segi∈CATEi，i∈[1,b]；

(1.3)定义文本常用停用词集SWORD＝{sword1,sword2,…,swordd}；

(1.4)定义变量UNION存储去除停用词库后信息，并初始化为字符s；

(1.5)如果segi∈SWORD，UNION＝UNION+segi，否则，segi＝segi+1；

(1.6)将UNION写入到目标文件中；

(2)使用TF‑IDF特征选择方法处理文本数据集UNION，得出选择后的文本特征值VALUE1，将VALUE1导入到卷积神经网络模型，集成标签并且生成批处理迭代器M，包括：(2.1)定义列名name，weight分别表示待存入数据的名称和权重；

(2.2)去除停用词后的词库集合UNION＝{union1,union2,…,unionn}；

(2.3)将词库集合UNION转化为词频矩阵，然后计算词频矩阵中每个词语的TF‑IDF值TI＝{ti1,ti2,…,tin}；

(2.4)定义集合VECTOR＝{vector1,vector2,…,vectorn}分别表示UNION中对应元素的向量值，将VECTOR中元素提取出特征值名称，存储到集合WORD＝{word1,word2,…,wordn}中，其中，wordj的值对应于vectorj，j∈[1,n]；

(2.5)定义WEIGHT＝{weight1,weight2,…,weightn}表示TI数组化后的结果，其中，weightk的值对应于tik的值，k∈[1,n]；

(2.6)求得集合WEIGHT的元素个数为L1，集合WORD的元素个数为L2，循环遍历L1，L2；

(2.7)定义集合VALUE＝{name1,weight1；name2,weight2；…；namen,weightn}，将遍历得到的WORDt，WEIGHTt赋值给namet，weightt，其中，t∈[1,n]；

(2.8)定义LABEL＝{label1,label2,…,labelb}分别表示类别标签，CATE＝CATE1+CATE2+…+CATEb；

(2.9)如果Shuffle为真，随机打乱原来的数据，并将洗牌后的数据加入到CATE中；

(2.10)计算每一轮迭代处理批次的大小，定义开始索引start_index和结束索引end_index，生成从开始索引到结束索引的批处理集成器M；

(3)使用嵌入层、卷积层、池化层和softmax方法搭建CNN神经网络文本分类模型，导入M到模型中；

(4)配置训练集模型的超参数和训练参数，给出训练集每1步和测试集每100步的损失函数和准确度，生成训练模型MODEL；

(5)最后将待分类短文本集进行预处理之后，得到数据集VALUE2，导入MODEL到预测模型，得出分类结果。

2.根据权利要求1所述的一种基于TF‑IDF和CNN启发式短文本特征提取与分类方法，其特征在于，所述步骤(3)中使用嵌入层、卷积层、池化层和softmax方法搭建CNN神经网络文本分类模型，导入M到模型中的具体步骤如下：(3.1)将词汇索引映射到低维向量表示，TensorFlow的操作放在CPU上执行，定义学习的嵌入矩阵为W，用随机均匀分布初始化W；

(3.2)使用relu函数作为激活函数，将卷积层的结果最大化为长特征向量，然后将所有长特征向量合并成一个特征向量；

(3.3)添加丢失正则化，在训练期间设置启用的神经元比例为0.5，在测试期间设置为1禁用丢失；

(3.4)通过矩阵乘法生成对数据类别的预测，然后选择得分最高的类别，使用softmax对结果进行分类；

(3.5)定义准确度和损失函数作为训练和测试期间模型的评价标准。

3.根据权利要求2所述的一种基于TF‑IDF和CNN启发式短文本特征提取与分类方法，其特征在于，所述步骤(4)中生成训练模型MODEL的具体步骤如下：(4.1)配置模型超参数，嵌入层大小设置为256，过滤器分别取3、4、5三个不同的值，每个过滤器过滤的大小为128，丢失保持率设置为0.5；

(4.2)配置训练参数，隐藏神经元的数量设置为200，定义批处理大小batch_size，初始化为64；

(4.3)加载训练集和测试集，数据集的划分采用7:3，并且对划分的数据集采用交叉验证的方法；

(4.4)定义训练的过程，实例化CNN，使用Adam优化器来优化网络的损失函数；

(4.5)使用summarywritter记录在训练和测试的过程中跟踪损失值和准确度随时间的变化；

(4.6)建立检查点文件checkpoint保存模型的参数；

(4.7)定义单个训练步骤和测试步骤，在每一步的训练步骤中，输出训练集的损失值和准确率；

(4.8)如果batch_size<64为真，定义测试集当前步数current_step，否则，转到步骤(4.12)；

(4.9)如果current_step是100的整倍数，输出测试集的损失值和准确率，保存训练的模型，否则转到步骤(4.10)；

(4.10)current_step＝current_step+1，转到步骤(4.9)；

(4.11)batch_size＝batch_size+1，转到步骤(4.8)；

(4.12)模型训练结束。

4.根据权利要求3所述的一种基于TF‑IDF和CNN启发式短文本特征提取与分类方法，其特征在于，所述步骤(5)中最后将待分类短文本集进行预处理之后，得到数据集VALUE2，导入MODEL到预测模型，得出分类结果的具体步骤如下：(5.1)将短文本进行中文分词，然后结合常用停用词库去除停用词，再用TF‑IDF特征选择方法进行特征选择，得到验证集VALUE2；

(5.2)将验证集加载到VALUE2神经网络中，加载训练好的模型MODEL；

(5.3)获得短文本的分类。