1.一种基于小样本文本分类原型网络欧氏距离计算方法，其特征在于：该方法包括以下步骤：

步骤1)、利用Glove进行词的向量化表示，将预训练的词向量文件进行解析，构建单词与其向量表示的索引，使得向量之间尽可能多地蕴含语义和语法的信息；

步骤2)、构造基于原型网络的小样本学习网络模型，总体的大致模型包括编码层，原型层以及度量层，编码层是将实例中的离散词映射为连续的输入嵌入词，用于捕获语义信息；原型层通过孪生网络与高速网络结合，通过孪生网络中support与query权重共享进行参数学习，同时结合高速网络提升网络学习效率，通过获得的词向量Xs与Xq经过孪生网络S进行特征编码，结合高速网络，每一层通过gate进行相关控制，对网络进行梯度优化获得原型；度量模块通过特征级注意力模块来将support与query的进行特征级关注，通过特征融合将结果通过激活函数获得注意力分数系数，通过注意力分数改进后的欧氏距离的计算来计算损失或进行分类；

步骤3)、将小样本数据集分为训练集、验证集以及测试集，再分别对数据集进行拆分，分为support  set与query  set，预训练阶段借助预训练模型Glove进行词嵌入，将已经与处理好的数据集根据嵌入矩阵进行词嵌入嵌入矩阵W，wt＝Wωt，并通过将单词嵌入和位置嵌入连接起来，实现对每个单词的最终输入嵌入，{x1...，xn}＝{[ω1；p1]，...，[ωn；pn]}，{x1...，xn}＝{[ω1；p1]，...，[ωn；pn]}，X＝fφ(x)；

步骤4)、使用孪生网络S与高速网络H结合进行原型特征提取计算，将词向量Xs与Xq输入孪生网络进行进行特征学习，每一层的孪生网络使用batch‑normalization进行归一化处理，获得最终原型P(X)＝H(S(X)；

步骤5)、将获得后的Xs与Xq数据分别进行特征级注意力模块计算，通过新加特征级注意力模块，能够让模型注意到整个输入中的support样本，query样本内的不同部分之间的相关性，以便后续获得的分数能够对高维度稀疏矩阵中的重要特征进行强调，获得分数系数，便于后续分类；

步骤6)、将步骤4)获得的原型P与query数据进行欧氏距离的计算，在计算结果时，乘上步骤5)所求得的注意力分数系数；原来的模型使用简单的欧几里德距离函数作为距离函数，由于support中实例较少，从support中提取的特征存在数据稀疏性问题，通过增加分数系数代替最原始的欧氏距离函数，最后通过softmax函数来进行分类；

所述编码层是将实例中的离散词映射为连续的输入嵌入词，用于捕获语义信息；给定一个实例x＝{ω1，ω2，...，ωT}，有T个字；使用嵌入矩阵W，将每个单词嵌入到一个向量中，将该实例中的每个单词映射到一个实值嵌入，以表示该单词的语义和语法意义wt＝Wωt；由于靠近实体的词对关系确定的影响更大，采用位置嵌入的方法；通过将单词嵌入和位置嵌入连接起来，{x1...，xn}＝{[ω1；p1]，...，[ωn；pn]}，再通过卷积以及池化实现对每个单词的最终输入嵌入，X＝fφ(x)；

所述原型层处理词向量进行原型表示，使用孪生网络S与高速网络H结合进行原型特征提取计算，步骤如下：孪生网络包含了两层卷积层以及一层全连接层，并且每一层受高速网络启发通过gate进行连接；将词向量Xs与Xq输入孪生网络G进行特征学习，模型隐层维度为512维，使用convld卷积核长度为3 ，步长为1 ，padd ing为1 ，每一层使用ba tch‑normalization进行归一化处理；对于孪生网络中的Xq部分，考虑到Xq对模型后期查询样本与原型之间的比较，所以不对Xq做过多处理，所以没有将Xq加入高速网络，所以与Xs只进行孪生网络的参数学习的到Q1＝S(Xq)；而对于孪生网络中Xs部分的输出，每一层Xs的输出都是结合高速网络输出h(x)＝g(x，wg)*t(x，wt)+x*(1‑t(x，wt))，其中，x为suppot样本集输入，g(*)为当前层卷积后的结果，t为学习系数，将h(x)作为下一层孪生网络以及高速网络的输入，其中t(*)为0～1的系数参数，通过sigmoid函数学习得到，t(x)＝σ(wtx+b)，获得最终原型将所述Xs和Xq池化，数据分别进行计算，得到到整个输入中的support样本，query样本内的不同部分之间的相关性，以便后续获得的分数能够对高维度稀疏矩阵中的重要特征进行强调，便于后续分类；具体为：将Xs与Xq分别进行计算，将经过自身特征强化的S和Q2进行特征融合，再经过激活函数后获得分数系数αi＝σ(Si·Q2)，其中，表示以拼接方式进行特征融合，σ表示经过归一化以及simoid激活函数，分数系数更加提高对support与query中对分类有益特征的关注度，提升分类的准确度，在进行距离计算的时，将欧氏距离乘上获得的注意力分数系统后，对高维度稀疏矩阵中的重要特征有强调作用，d(i，q)＝(Si‑Q1)2*αi，表示查询向量与第i个类别的样本空间距离，所求出的距离也更加准去，从而获得的分类结果也更加准确。