1.一种基于自信息损失补偿的机器生成文本检测方法，其特征在于，所述方法包括：步骤1：确定细分领域，基于确定的细分领域从网络上爬取文本数据构成数据集；

步骤2：对采集到的数据集进行清洗，具体的，剔除掉HTML标签和emoji表情干扰字符，数据清洗后的样本为正样本，根据正样本采用数据模拟策略生成的机器生成文本为负样本；

步骤3：对处理后的数据集进行分词，获得文本词序列；

步骤4：填充文本，设定填充padding大小，将所述文本词序列处理成列固定长度为padding的序列；

步骤5：设定batch大小，将步骤4处理后的所述文本词序列划分为多个batch大小的批数据；

步骤6：使用词嵌入工具获得每一批文本词序列的初始词向量表示矩阵{w1,w2,w3……wn}，基于所述初始词向量表示矩阵对训练集中的文本数据进行训练；

步骤7：编码文本双向信息，将步骤6构造的所述初始词向量矩阵{w1,w2,w3……wn}输入基于RNN的双向时序模型中，获取各个时间步的双向输出向量，所述双向输出向量包括后向输出向量 和前向输出向量

步骤8：拼接双向输出向量，基于所述双向输出向量构造特征矩阵 表示拼接，拼接是指前一个向量的尾部和后一个向量的首部直接连到一起，数学表达式如下：步骤9：编码逻辑特征并捕获最大特征，设置不同大小的卷积核，对所述特征矩阵 做卷积，并将卷积结果经过激活后再进行最大池化，最后将每一次最大池化所得的结果拼接在一起，数学表达式如下：

ci是拼接结果的第i个元素，max pooling表示求结果中的最大值，f表示激活函数，Wc表示设定大小的卷积核，⊙表示卷积操作；

步骤10：自信息损失补偿，具体的，对步骤8的所述特征矩阵 做平均池化，再求平均，然后将结果按位加到步骤9的结果上，数学表达式如下：步骤11：对步骤10的结果进行全连接操作，最后得到一个具有两个特征的二维矩阵；

步骤12：对所述二维矩阵计算交叉熵，并求当前批数据所得交叉熵的平均值，计算公式如下：

其中，n为batch大小，yi为第i条数据的真实标签，pi为模型计算出的第i条数据的标签，L(θ)为：交叉熵的平均值；

步骤13：将步骤12的结果作为误差进行反向传播，用于检测模型的参数训练；

步骤14：设定结束条件，重复步骤7～13，直到满足结束条件，所述检测模型停止训练。