1.基于词语义关系与动态卷积神经网络的文本蕴含分析方法，其特征在于包括如下步骤：步骤1、对需要进行文本蕴含分析的语料进行初步的数据预处理，使用ConceptNet获取词语义关系，将词语义关系嵌入到数据预处理后的词向量中；

步骤2、对嵌入词语义关系的词向量进行卷积操作，生成文本蕴含所需要的语义特征图；

步骤3、对于卷积生成的语义特征图，使用动态k-max池化获取句子特征向量；

步骤4、对两个句子分别重复步骤1-步骤3，生成两个句子特征向量，最后通过蕴含分类器输出最后文本蕴含分析的结果。

2.根据权利要求1所述的基于词语义关系与动态卷积神经网络的文本蕴含分析方法，其特征在于步骤1具体实现如下：

1-1对于需要进行文本蕴含分析的语料，将前提句的文本数据使用GloVe词向量模型转换成向量的表示P，P＝{p1,p2,...,pn}，其中pi为第i个词的词向量表示形式，n为句子的长度；所述前提句与假设句的处理方式一致；

1-2将前提句和假设句的词向量进行关联建模，生成词的权重向量，其目的是让对推理有利的词获得更好的关系向量；其公式如下所示，f(pi,qj)＝W1(pi)Tqj+b1

其中W1和b1是可学习的参数，pi,qj分别为前提句的第i个词的词向量和假设句的第j个词的词向量，aij为前提句的词权重向量；

1-3利用词权重向量，将ConceptNet生成的初始词关系向量处理成词语义关系向量；其公式如下所示，其中，p′i为前提句第i个词的词语义关系向量，rij为使用ConceptNet生成的前提句第i个词与假设句第j个词的词关系；

1-4将词语义关系向量嵌入到原本的词向量中，W＝((p1,p′1),(p2,p′2),...,(pn,p′n))，其中W为前提句新的词向量矩阵。

3.根据权利要求2所述的基于词语义关系与动态卷积神经网络的文本蕴含分析方法，其特征在于步骤2具体实现如下：

2-1.对句子的词向量矩阵进行卷积操作，使用长度为5的滤波器对句子的词向量矩阵做滤波，同时采用补零法，在滤波器滤波过程中将落在词向量矩阵之外的元素都默认为零，虽然会使得输出特征图的宽度更宽，但是能更加有效的提取句子的句首和句尾信息，其公式如下所示，C＝{k1,k2,..,ki,..,kf,W,k1,k2,..,ki,..,kf}其中，ki为零向量，f为滤波器长度，W为前提句新的词向量矩阵，C为补零后的句子的词向量矩阵；

2-2.对补零后的句子的词向量矩阵，使用长度为5的滤波器滤波，提取语义特征图S，其公式如下：其中si为卷积后的语义特征图中第i个特征， 为可训练的卷积权重，b为偏差；ci为词向量矩阵C中的第i个词向量表示形式。

4.根据权利要求3所述的基于词语义关系与动态卷积神经网络的文本蕴含分析方法，其特征在于步骤3对于卷积生成的语义特征图，使用动态k-max池化获取句子特征向量，具体实现如下：

3-1.为了获得卷积生成的语义特征图中的重要特征，同时降低维度，对滤波器滤波的一个语义特征图取前k个最大特征值，将其组成子序列，并保持原来语义特征图序列的次序，根据网络的总共卷积层层数，当前输入句子的长度，从不同长度的句子中提取相应数量的语义特征信息；选取特征值数量的动态调整公式如下其中ktop为卷积池化层的层数，其层数为3，n为输入的句子长度，L是网络总共卷积层数，l为当前卷积的层数。

5.根据权利要求4所述的基于词语义关系与动态卷积神经网络的文本蕴含分析方法，其特征在于步骤4具体实现如下：将前提句与假设句卷积池化后生成的句子向量表示，通过连接u、v、u-v、u⊙v生成句子关系的表示，其中u为前提句的句子特征向量，v为假设句的句子特征向量；再将句子关系的表示利用300D的全连接层和3-类softmax输出层，输出最后文本蕴含的结果。