1.一种基于bert的多特征融合模糊文本分类模型，该方法包括以下内容：
准备模糊文本分类原始数据集，将原始数据集分成训练集、验证集和测试集；
构建bert_mffm模型，bert_mffm模型包括bert模型、卷积神经网络、双向长短记忆网络、self-attention模块，
bert模型的输入为模糊文本，bert模型的输出分别连接卷积神经网络、双向长短记忆网络、self-attention模块，分别提取模糊文本的局部特征、句子语义特征和句法结构特征；bert模型的输出同时与双向长短记忆网络的输出拼接在一起，然后使用最大池化操作筛选出最优句子语义特征；
采用并行拼接的方式将局部特征、最优句子语义特征和句法结构特征进行融合，融合结果经softmax函数进行模糊文本分类，至此完成bert_mffm模型的构建。
2.根据权利要求1所述的模糊文本分类模型，其特征在于，所述bert模型包括模糊文本输入层input，令牌嵌入层、分段嵌入层、位置嵌入层、transformer层、输出层output；tansformer层中含有多个trm，trm为transformer编码器，bert模型输出的动态词向量为[t1,t2,...,tn]；
tansformer层的输入是令牌嵌入、分段嵌入和位置嵌入的总和，通过结合位置向量和词向量，引入每个词的位置信息；
transformer层利用multi-headattention多头注意力关注来自不同位置的不同表征子空间的信息，得到完全基于上下文信息的文本表示。
3.根据权利要求2所述的模糊文本分类模型，其特征在于，bert模型中隐含单元数量为768，学习率为5e-5，每句话处理长度为64字符，批处理大小为64，dropout随机失活率为0.1，迭代次数为5。
4.根据权利要求1所述的模糊文本分类模型，其特征在于，卷积神经网络通过卷积运算提取文本的n-gram特征，得到句子的关键字符特征，在卷积层利用多个不同大小的卷积核从多角度对语义信息进行提取，生成多个特征向量；优选，卷积核的大小依次为3、4、5，动态词向量依次经过这三个卷积核大小的卷积层，每层卷积核的数量为256，经最大池化操作输出局部特征。
5.根据权利要求2所述的模糊文本分类模型，其特征在于，双向长短记忆网络的隐藏层为2，由正向和反向两个lstm组成，每个lstm中隐藏单元的数量为768，bilstm构建的句子语义特征iwst，由正向lstm输出的隐层状态序列
6.根据权利要求1所述的模糊文本分类模型，其特征在于，所述self-attention模块的输入为动态词向量，输出为句法结构特征，具体过程是：
1)将bert模型输出的动态词向量通过线性变化得到查询q、键k和值v三个矩阵；
2)将查询q矩阵中的元素索引query和键k矩阵中的元素key利用点积函数进行相似度计算得到权重；
3)将使用softmax函数对权重进行归一化；
4)将权重和值v矩阵中相应的键值value进行加权求得最后的特征，即为句法结构特征。
7.根据权利要求1所述的模糊文本分类模型，其特征在于，所述原始数据集的制作是，在一个大类别找属于该大类别下的相近的小类，每个小类的数量相近，每个小类的数量为7000条以上，构成模糊文本分类用的原始数据集。
8.根据权利要求1所述的模糊文本分类模型，其特征在于，训练集、验证集和测试集中样本数量之比6：1：1。
9.根据权利要求1所述的模糊文本分类模型，其特征在于，bert_mffm模型的准确率、精度、召回率、f1-score均能达到79％以上。