1.一种智能识别电商标题方法，获取待识别的电商标题样本，将样本输入到电商实体提取模型，得到预测实体，其特征在于，电商实体提取模型的训练包括：S1：对收集到的电商数据样本进行处理，按照实体片段的头尾边界位置对数据进行标注；

S2：将样本映射为词嵌入形式，并送入引入辅助学习任务训练的自注意力模型，得到词向量；

S3：对词向量使用掩码自注意力机制提取正向信息作为头指针，提取反向信息作为尾指针；

所述步骤S3包括：步骤S31：将词向量映射到原始数据样本上，由词向量得到特征矩阵F；

步骤S32：分别用上三角矩阵A和下三角矩阵B对提取出的特征矩阵F做掩膜，分别得到正向信息Fa和反向信息Fb；

正向信息Fa和反向信息Fb计算规则包括：

aij表示开头位置为i、结尾位置为j的实体片段表示的语义特征，n表示设定的最大序列长度，表示矩阵的点乘运算；

S4：头指针与尾指针匹配时融入相对位置向量信息，得到预测的实体片段；

所述步骤S4包括：步骤S41：将正向信息和反向信息进行匹配，得到评分矩阵；

步骤S42：根据相对位置距离初始化位置信息加权对角矩阵；

步骤S43：将位置信息加权对角矩阵加权到评分矩阵上；

步骤S44：评分矩阵中分数较高的分值所处矩阵的行列位置，可映射回序列位置表示实体片段，该实体片段表示预测的实体；

所述评分矩阵的计算规则包括：

W表示评分矩阵，R为任意n*n的矩阵，为正反向匹配信息打分；

位置信息加权对角矩阵M的构造包括：

α是放大系数，其值是任意大于1的实数，β是衰减系数，其值是0到1之间的任意小数，β指数表示当前元素所在的行列位置的差值的绝对值；

S5：迭代训练电商实体提取模型，保存模型参数。

2.根据权利要求1所述的一种智能识别电商标题方法，其特征在于，步骤S2所述的自注意力模型，引入辅助学习任务的训练过程包括：步骤S21：将样本映射为词嵌入形式，并送入自注意力模型；

步骤S22：根据当前字符与附近字符的词向量相似度进行计算损失值；

步骤S23：根据损失值进行梯度反传，更新模型里的参数，进行模型训练。

3.根据权利要求2所述的一种智能识别电商标题方法，其特征在于，所述当前字符与附近字符的词向量相似度计算包括：选任一字符作为模板词w，与模板词位置相近的字符作为参考词序列[w1 ,w2 ,...,wi,...]，将模板词与参考词序列做计算，计算规则如下：loss＝∑lossi其中y表示模板词是否为实体边界的预测值，Yi表示参考词是否为实体边界的实际值，lossi表示模板词w与参考词wi之间的损失值，loss表示模板词与参考词序列中所有词的损失lossi的总和，表示两个词做余弦相似度计算。