1.一种基于BERT下卷积神经网络的服务发现方法，其特征在于，包括以下步骤：步骤1，从客户端获取OWLS‑TC4数据集查询请求及服务，并基于预训练BERT模型生成词向量表示；

步骤2，基于步骤1所得的词向量，通过计算查询请求与服务关键词向量之间的余弦相似度来构建查询请求与服务的关键词相似度矩阵；并以此作为卷积神经网络的输入矩阵；

步骤3，对步骤2所得的相似度矩阵进行卷积池化操作，得到查询请求与服务的相似度匹配得分；

步骤4，对于每一条查询请求，逐一与服务集中的候选服务进行步骤2和3操作，并根据步骤3所得相似度匹配得分对候选服务进行排序，从而找到最高相似度匹配得分所对应的服务为所要查询的目标结果。

2.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

1中，采用bert‑as‑service的客户端与服务端，将预训练BERT模型作为一个服务独立运行，在客户端以调用服务的方式使用BERT模型。

3.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

1通过以下具体步骤实现：

步骤11，从查询请求与服务的owls文件中提取对应的自然语言功能描述信息；

步骤12，对查询请求与服务的功能描述信息进行预处理，包括去除停用词、词干提取及分词，获取相应的关键词，完成对文本的特征提取；

步骤13，从客户端调用BERT模型，生成每条查询请求与服务的词向量表示。

4.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

2中所述相似度矩阵中，其组成元素是查询请求与服务在词粒度上基于词向量的余弦相似度。

5.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

3中所使用的卷积神经网络由输入层、卷积层、池化层及输出层四部分构成，输入矩阵为步骤2所得查询请求与服务的相似度矩阵。

6.根据权利要求5所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

3中，在卷积层采用一个大小为2*2的卷积核单步长对输入矩阵进行卷积扫描，通过将卷积核与输入矩阵感受野中对应位置的元素相乘求和实现特征的初步提取，并生成相应的特征矩阵。

7.根据权利要求6所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

3中，池化层中采用Max‑Pooling方式，将卷积层特征矩阵感受野中最大的相似度元素作为池化的输出特征，对整个输入特征矩阵进行池化操作，从而构成池化输出矩阵，完成对相似度特征的深度过滤与提取。

8.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

3中，卷积和池化操作交替进行，直至相似度矩阵降为一维向量，最终所得的相似度匹配得分为所述一维向量中元素的均值。

9.根据权利要求1所述的基于BERT下卷积神经网络的服务发现方法，其特征在于，步骤

4中，对服务集中的每条候选服务与给出的查询请求进行步骤2和步骤3操作，并根据所得的相似度匹配得分对候选服务排序，得分最高的服务即为所要检索的目标结果。