1.一种基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：包括以下步骤：

S1：生成全量词集与强相关词集，并构建BIE位置词列表；

S2：利用字向量的原始表征构建位置无关性词向量；

S3：基于词频加权平均池化算法缩合词集中的词向量表征；

S4：将字的BIE位置词向量加权并与原始字向量拼接，生成包含词汇位置信息的字向量。

2.根据权利要求1所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：所述步骤S1具体包括以下步骤：S11：假设存在中文文本数据集D＝{S，Y}，其中S＝{s1，s2，…，sn}为中文文本集合，Y为标签集；对每条文本si∈S，根据全词典匹配算法与TF‑IDF算法，生成全量词集Wa＝{wa1，wa2，…，wan}和强相关词集Wb＝{wb1，wb2，…，wbn}；其中w＝{[k1，st1，ed1]，[k2，st2，ed2]，…，[km，stm，edm]}，表示词汇w匹配到文本ki的sti到edi位置；

S12：根据字在词中的位置，利用词集Wa，Wb，对数据集D中的文本s＝{c1，c2，...，cm}，ci为文本中的字，分别生成文本s的BIE位置词列表集 和其中bieai＝[Bai，Iai，Eai]，Bai，Iai，Eai分别表示在文本s中以第i个字ci为开头、内部、结尾生成的词集，表示为：同理，生成

3.根据权利要求2所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：步骤S11中，生成词集Wa与Wb的规则是：使用全词典匹配算法得到文本中所有隐含词汇，作为全量词集Wa；利用TF‑IDF算法对训练文本中的词按重要性排序，保留50％的词汇作为强相关词典，并与文本分词结果匹配，生成强相关词集Wb。

4.根据权利要求1所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：步骤S2具体包括：

c

S21：使用预训练的字符embedding表e 生成数据集中文本s的字向量的原始表征S22：根据全量词集Wa和强相关词集Wb中词与字的对应关系，生成文本s中每个词w的位置无相关性词向量：

位置无关性体现在针对不同的文本s，s′，相同词的词向量相同，避免相同实体受不同预训练数据集语境的干扰，引入额外误差。

5.根据权利要求1所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：步骤S3具体包括：

对数据集中文本s中字ci对应的BIE位置词列表采用词频加权平均池化算法缩合词集中的词向量表征；使用词频作为重要性权重，分别生成全量BIE位置词向量和强相关BIE位置词向量 对于词集B其缩合公式为：

z(w)表示词w在数据集文本中出现的频次。

6.根据权利要求1所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：步骤S4具体包括以下步骤：S41：对数据集中文本s中字ci，对缩合后的全量BIE位置词向量与强相关BIE位置词向量按权值T进行融合；权重T用来降低全量词集中的冗余词的重要性；得到融合后的BIE位置词s

向量e(B，I，E)：

s

S42：对数据集中文本s中字ci，将融合后的BIE位置词向量e (B，I，E)与原始字向量拼c

接，得到最终包含词汇信息的字向量x：c c s

x＝[x；e(B，I，E)]。

7.根据权利要求6所述的基于BIE位置词列表的中文文本数据字向量表征方法，其特征在于：强相关词集根据TF‑IDF算法得来，即字ci的强相关BIE位置词列表中仅有一维可能有值，且长度为1，则设定权值