1.一种基于多任务学习的混合注意力机制文本标题匹配方法，其特征在于，步骤1：爬取不同类别的“标题党”文本数据和正常文本数据，构成数据集；

步骤2：对所述数据集进行清洗，剔除掉网页标签和网络表情符号的干扰字符；

步骤3：对所述数据集中的文本数据的标题和正文分别进行类别标记，生成分类数据，所述类别标记包括分类任务1和分类任务2，所述分类任务1为将标题标记为爬取数据时的原有类别，所述分类任务2为将正文标记为是否是“标题党”文本；

步骤4：对步骤3获得的分类数据的标题和正文分别进行分词处理，获得文本词序列；

步骤5：将所述文本词序列处理为预设的固定长度，长度不够用0填充，长度超过的截断；

步骤6：将标记好类别的文本数据随机打乱，使“标题党”文本和正常文本充分混合；

步骤7：将混合后的数据集划分为batch大小的批数据；

步骤8：将所述批数据输入到构建好的文本检测模型中进行训练，具体步骤如下：步骤8.1：将所述批数据的标题和正文输入同一BERT模型中，分别获得正文和标题的词n×300

嵌入矩阵T＝{t1,t2,t3……tn}、C＝{c1,c2,c3……cm}，T∈R ，n是正文的词序列长度，C∈m×300

R ，m是标题的词序列长度，300是标准BERT模型编码的词向量维度，同时获得BERT模型的第一个输出 和

300×n

步骤8.2：随机初始化一个共享参数矩阵W∈R ，做矩阵变换得到混合了正文与标题m×300

信息的特征矩阵M∈R ，矩阵变换的数学表达式如下：Mm×300＝Cm×300×W300×n×Tn×300

300×300

步骤8.3：对 和 做矩阵变换得到特征矩阵F∈R ，矩阵变换数学表达式如下：m×300

步骤8.4：将M作为Q和V，F作为K，计算混合注意力矩阵A∈R ，计算方式如下：其中，dk为K的第二维度；

m×n

步骤8.5：对所述混合注意力矩阵A做全连接得到一个降维矩阵D∈R ；

步骤8.6：随机初始化第一权重矩阵W1，对所述降维矩阵D做全连接，得到一个一维矩阵，

1×j

并计算softmax，作为步骤3提到的分类任务1的输出，维度为R ，j为数据原有类别数；

步骤8.7：随机初始化第二权重矩阵W2，对所述降维矩阵D做全连接，得到一个一维矩阵，

1×2

并计算softmax，作为步骤3提到的分类任务2的输出，维度为R ，两个维度分别表示是或不是“标题党”的概率；

步骤8.8：将步骤8.6和步骤8.7的结果中的最大值作为对应任务的pi，分别计算交叉熵，先求和再求平均，数学表达式如下：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条数据所属标签的最大概率；

步骤8.9：将步骤8.8的结果作为误差进行反向传播，用于模型参数训练；

步骤8.10：设定结束条件，若未达到结束条件，则重复步骤8.1至步骤8.9，直到满足结束条件，模型停止训练。

2.如权利要求1所述的文本标题匹配方法，其特征在于，所述方法还包括对训练好的文本检测模型进行测试，具体包括：步骤9：针对训练好的模型，执行步骤1至步骤8.7，并将步骤8.7中任务二的输出结果中最大数的下标作为最终结果，不再执行步骤8.8～8.10。