1.一种基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：包括以下步骤：步骤一，将输入词向量以网络堆叠的方式输入到lstm神经网络中，得到输入句子向量；

步骤二，按照前面步骤得到两个输入句子的句子向量；将两个输入句子的句子向量输入到分类器中，得到这两个句子的相似度；

在步骤一之前，将带有相似度标签的语料文本分词，得到的词向量作为目标词向量；将目标词向量以网络堆叠的方式输入到lstm神经网络中，得到目标句子向量；将与输入句子向量具有相同语义的目标句子向量作为正样本，将除此之外的其他目标句子向量作为负样本；通过正样本、负样本和输入句子向量训练lstm神经网络模型和分类器，分别得到lstm神经网络参数和分类器的全连接层参数；

所述分类器包括依次连接的输入层、批处理层、拼接层、全连接层以及概率层；

所述输入层，用来输入包括输入句子向量特征、正样本和负样本在内的句子向量特征；

所述批处理层，用来对输入的句子向量特征进行批量归一化处理；

所述拼接层，用来将归一化处理后的句子向量拼接成为行向量；

所述全连接层，用来将行向量按照正样本和负样本进行二维对比；

所述概率层，用来得到行向量分别与正样本和负样本的相似概率。

2.根据权利要求1所述的基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：在步骤一之前，将输入句子分词并计算词向量，得到的词向量作为输入词向量。

3.根据权利要求1所述的基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：所述相似度分别针对正样本或者负样本，所述相似度包括针对同一样本相似和不相似的二维概率。

4.根据权利要求2所述的基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：在分词后得到词向量时，采用word2vec进行词向量计算。

5.根据权利要求1所述的基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：所述拼接层拼接形成的行向量为：[u,v,abs(u‑v),element‑wise product(u⊙v), cos similarity(u,v)]；

其中，u为句子1的输入句子向量特征，v为句子2的输入句子向量特征；

abs(u‑v)代表u‑v向量的绝对值；

element‑wise product(u⊙v)代表u,v向量的元素积；

cos similarity(u,v)代表u,v向量的cos相似度。

6.根据权利要求1所述的基于堆叠双向lstm神经网络的文本相似度计算方法，其特征在于：建立目标优化函数，优化lstm神经网络参数和分类器的全连接层参数；所述目标优化函数为交叉熵或者Adam 迭代优化方法。