1.一种电商商品标题命名实体识别方法，其特征在于，包括：获取待识别的商品标题文本数据，将标题文本数据转化为词向量；对词向量进行拼接，得到向量特征；向量特征输入到训练好的实体识别模型中，得到识别结果；实体识别模型包括MultiAtt结构和DPCNN+BiGRU结构；

对实体识别模型进行训练的过程包括：

S1：获取商品标题文本数据集，对文本数据集中的数据进行向量化处理，同时对文本按照规则生成新的标注文本，将标注文本进行向量化；

S2：将向量化后的标注文本分别输入到MultiAtt结构和DPCNN+BiGRU结构中进行文本向量特征提取，其中对MultiAtt结构和DPCNN+BiGRU结构提取的特征进行对比学习，得到两个特征向量；

S3：计算两个特征向量之间的向量相似度；计算两个特征向量之间的相似度的公式为：其中，Da表示MultiAtt结果的输出，Db表示堆叠的DPCNN+BiGRU的输出,mep表示对向量求平均池化，map表示对向量求最大池化；

S4：根据向量相似度对两个特征向量进行拼接，根据特征向量拼接结果计算模型的损失函数，损失函数使用降权损失；

根据向量相似度对两个特征向量进行拼接包括：设置相似度阈值，相似度阈值为0.84，当两向量的相似度大于设置的阈值时，只需要使用MultiAtt结果的输出Da进行计算，当两个向量的相似度小于设置的阈值时，将两向量进行逐位相加，并进行归一化处理，表达式如下：其中D表示最终的输出向量，Da表示MultiAtt结果的输出，Db表示堆叠的DPCNN+BiGRU的输出；Bn表示对向量进行归一化处理；

S5：调整模型的参数，当损失函数值最小时完成模型的训练。

2.根据权利要求1所述的一种电商商品标题命名实体识别方法，其特征在于，实体识别模型对输入数据进行处理的过程包括：采用DPCNN+BiGRU结构提取特征的公式为：

tn＝BiGRUn(DPCNNn(tn‑1))

其中，tn‑1表示上一个堆叠的输出，DPCNNn为前层的DPCNN结构，BiGRUn为当前层的BiGRU结构；

MultiAtt结构提取向量的特征包括：Attention结构使用多头自注意力机制提取向量特征，其表达式为：Q K V

headi＝Attention(QWi ,KWi ,VWi)

O

MultiAtt(Q,K,V)＝[head1；…；headk]W

其中，Attention(Q,K,V)为自注意力机制，Q,K,V分别为输入的词向量与三个不同的权重矩阵相乘得到的词向量结果，dk表示输入向量的维度，headi表示第i个Attention计算的Q K V O结果，Wi ,Wi ,Wi分别表示将embedding词向量映射为Q,K,V的矩阵向量，W表示将多头拼接向量映射为词向量的参数映射向量，MultiAtt(Q,K,V)表示计算多头注意力。

3.根据权利要求1所述的一种电商商品标题命名实体识别方法，其特征在于，对文本数据集中的数据进行向量化处理的过程包括：设置文本数据截断长度，根据文本数据截断长度对数据集中的文本数据进行划分，即当句子长度大于文本数据截断长度时进行文本截断，小于文本数据截断长度时在句子后补0填充；在截断后的句子首部加入[CLS]，尾部加入[SEP]；对截断后的句子中每个字符采用BIO标注编码，文本数据集由多个句子构成，其中B‑X表示实体开头，I‑X表示实体内部，O‑X表示非实体，编码后每个字符对应一个标签；使用bert中的word_embedding编码，将每个切分后的token映射为一个长度为768维的向量。

4.根据权利要求1所述的一种电商商品标题命名实体识别方法，其特征在于，按照规则生成新的标注文本的过程包括：S31、将句子分成三段；

S32、对分成三段句子进行随机位置替换；将位置替换后的句子进行实体替换，即将同一类型的实体进行替换，该替换是有限制的随机替换，同一类型实体长度差不超过1才进行实体替换。

5.根据权利要求4所述的一种电商商品标题命名实体识别方法，其特征在于，将句子分成三段的具体过程包括：使用平均池化对句子中的向量求取平均，得到一个长度为768维的向量，使用向量作为文本向量表征；使用每个token映射的字向量依次与该句向量计算注意力，计算公式如下：ST‑ATTi＝meanpool(e1,e2…,en)·ei

其中ST‑ATTi表示句向量与第i个字对注意力值，meanpool函数表示求取平均池化，e1,e2…,en表示的是句子中所有的字向量，ei表示第i个字向量；

选择ST‑ATTi最小的两个字符作为分隔位置，将文本分为s1,s2,s3三段，从注意力最小的位置进行切分，得到对语义信息的影响最小的句子片段。

6.根据权利要求1所述的一种电商商品标题命名实体识别方法，其特征在于，模型的损失函数表达式为：其中，Pα表示所有类型为α的实体首尾集合，Qα表示样本组所有非实体或非α类型的实体首尾集合；wi为生成文本和原始文本的KL散度，i表示实体开头的位置，j表示实体结尾的位置。

7.根据权利要求6所述的一种电商商品标题命名实体识别方法，其特征在于，计算生成文本和原始文本的KL散度包括：对于生成的文本对其输出向量与MultiAtt结果的输出Da进行对比学习，计算生成文本向量与MultiAtt结果的输出Da的KL散度作为损失权重；其表达式为：其中，Dc为生成增强文本的输出向量，max(kl)为一个batch中计算KL散度最大的值。