1.基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于所述方法具体过程为：将在线问答平台的问题文本和外部知识图谱输入到训练好的KOCIN模型中获得推荐的标签；

所述KOCIN模型包括：知识集成层、序列编码层、关联捕获层；所述知识集成层用于从问题文本qi和外部知识图谱 中提取知识三元组，然后将知识三元组集成到问题文本qi中，生成句子树Qtree；

所述序列编码层采用基于BERT的序列编码器，用于将Qtree转化为Qtree的稠密向量化表示进而获得预测的问题文本原始标签；

所述关联捕获层包括：多个标签关联网络CorNet，用于根据预测的问题文本原始标签获得问题文本的推荐标签，如下式：

y'＝W1δ(W2σ(y)+b1)+b2+y其中，y'是问题文本的推荐标签，W1、W2是权重矩阵，b1,b2是偏差，σ是sigmoid激活函数，δ是ELU激活函数，y是预测的问题文本原始标签；

KOCIN模型的损失函数为：

loss(y',b)＝Mean{l1,...lN}其中，m∈[1,N]为批量的序号，N为批量的数目，b为问题文本的真实标签，lm为第m个批量的损失值，Mean{}是求平均函数；

所述lm为第m个批量的损失值，如下式：lm＝‑(bm*log(σ(y'm))+(1‑bm)*log(1‑σ(y'm)))其中，y'm是第m个批量的问题文本的推荐标签，bm是第m个批量问题文本的真实标签。

2.根据权利要求1所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述知识集成层用于从问题文本和外部知识图谱 中提取知识三元组，然后将知识三元组集成到问题文本中，生成句子树Qtree，包括以下步骤：步骤一一、对于问题文本qi中的每个实体ej进行知识查询，从而提取知识三元组的集合E；

步骤一二、将知识三元组的集合E中的所有知识三元组插入到问题文本qi中，生成句子树Qtree。

3.根据权利要求2所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述步骤一一中对于问题文本qi中的每个实体ej进行知识查询，从而提取知识三元组的集合E，如下式：

其中，E＝{(ej,rj1,ej1),…,(ej,rjk,ejk)}是与ej匹配的知识三元组的集合，rj1是实体ej与匹配到的第一个知识三元组的关系，ej1是实体ej匹配到的第一个知识三元组的实体，(ej,rjk,ejk)是第k个知识三元组，K_Query()是查询函数， 是外部知识图谱。

4.根据权利要求3所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述步骤一二中将知识三元组的集合E中的所有知识三元组插入到问题文本qi中，生成句子树Qtree，如下式：Qtree＝K_Insert(ej,E)＝{w1,w2,...ej{(rj1,ej1),...,(rjk,ejk)},...,wn}其中，Qtree＝{w1,w2,...ej{(rj1,ej1),...,(rjk,ejk)},...,wn}，wi是构成句子的词，i∈[1,n]，K_Insert()是插入函数，n是构成句子的词的总数量。

5.根据权利要求4所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述序列编码层采用基于BERT的序列编码器，用于将Qtree转化为Qtree的稠密向量化表示进而获得预测的问题文本原始标签，包括以下步骤：步骤二一、将步骤一二获得的Qtree的开头插入多个[CLS]标记，获得插入[CLS]标记后的句子树：

Qtree_CLS＝{[CLS1],…,[CLSc],w1,w2,…ej{(rj1,ej1),...,(rjk,ejk)},...,wn}其中，c是插入的[CLS]标记总数；

步骤二二、序列编码器利用Qtree_CLS获得[CLS]标记的隐藏状态向量，再根据[CLS]标记的隐藏状态向量获取Qtree的稠密向量化表示；

步骤二三、利用Qtree的稠密向量化表示获得问题文本的原始标签。

6.根据权利要求5所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述步骤二二中的根据[CLS]标记的隐藏状态向量获取Qtree的稠密向量化表示，如下式：

其中， 为第a个[CLS]对应的隐藏状态向量，a∈[1,c]，MaxPooling()是最大池化函数。

7.根据权利要求6所述的基于知识图谱和标签关联的在线问答平台的标签推荐方法，其特征在于：所述步骤二三中利用Qtree的稠密向量化表示获得预测的问题文本原始标签，如下：

y＝Wσ(u)+b

其中，W是权重矩阵，b是偏差，σ是sigmoid激活函数。