1.一种基于transformer的中文智能对话方法，其特征在于，包括以下步骤：
(1)、使用大规模的中文闲聊语料库lccc(large-scalecleanedchineseconversation)构建训练数据集；
(1.1)、构建长度为n的输入序列；
以[cls]标签作为输入序列的开始符，然后从lccc语料库中提取连续对话句，按照语句顺序将字填入输入序列，每个句子之间插入[sep]标签，每次填入句子时，判定加入当前句总长度m是否大于n，若大于n，则停止填入；若小于n则继续填入，并将未填充部分设置为空值0，从而得到输入序列sin；
(1.2)、构建等长长的期望输出序列sout；
从输入序列sin的第2个字符开始依次填入至输出序列，输出序列的最后一个字符设置为空值0；
(1.3)、对输入序列和期望输出序列中的字符均用one-hot列向量进行编码，编码完成后将输入序列记为x，将期望输出序列记为y，从而构建出训练数据集{x,y}，其中，x,y∈rv×n，n表示输入序列的长度，v表示经过独热编码后字符向量的维度；
(2)、搭建transformer模型
transformer模型由若干层decoder单元堆叠，在每个decoder单元中又包括自注意力模块、残差连接模块和层归一化处理模块；
(3)、利用中文闲聊语料库提供字嵌入网络对输入序列x进行嵌入操作；
将输入序列x输入至字嵌入网络，经字嵌入网络编码后得到d×n的字嵌入矩阵xwe＝wx，d表示字嵌入向量的维度，w为字嵌入矩阵；
(4)、用全0或全1填充的d维列向量，其中，0或1分别表示问或答者，从而构成d×n的段嵌入矩阵xse；
(5)、计算段嵌入后矩阵xe＝xwe+xse；
(6)、将xe输入transformer模块，用于提取语义信息；
(6.1)、将xe分别与三个d×d的权重矩阵wq、wk、wi相乘，得到查询矩阵q、键矩阵k和值矩阵v；
q＝wqxe＝[q1,q2,…,qn]
k＝wkxe＝[k1,k2,…,kn]
v＝wvxe＝[v1,v2,…,vn]
然后，基于矩阵q、k、v，引入相对位置编码，计算注意力矩阵z，设矩阵z的i列向量为zi，i＝1,2,…,n，则有：
其中，qi、ki、vi分别为矩阵q、k、v对应的列向量，pij是输出位置i和输入位置j的相对位置编码向量，pij的偶数和奇数元素计算公式为：
(6.2)、残差连接；
将注意力矩阵z与段嵌入后矩阵xe相加，得到矩阵xa＝z+xe，再对xa进行标准归一化处理，得到x′a，设x′i和xi分别为x′a和xa的第i列向量，则有：
其中，μi和σi分别为xi各元素的均值和标准差，ε为一极小常数，α,β为弥补归一化引起的信息损失值；
(6.3)、将x′a输入至权重矩阵为wh的前馈线性映射层，并经过relu激活，得到输出矩阵xh＝relu(whx′a)；
(6.4)、将矩阵xh再进行残差连接，得到矩阵x′h＝x′a+xh，对矩阵x′h进行标准归一化处理，输出新的嵌入矩阵
(6.5)、重复步骤(6.1)～(6.4)，经过多层decoder单元处理后可以输出d×n的矩阵xte。
(7)、利用反转嵌入模型w对xte进行解码操作，从而将xte重新转换回原one-hot编码空间，再经过softmax激活函数激活，输出预测矩阵
(8)、根据
(9)、重复步骤(3)～(8)，利用训练数据集反复对transformer模型进行训练，在训练过程中，使用的一定学习率和权重衰减率的adam优化器进行训练，每一轮完整的训练称为一次epoch，epoch中包括多个训练样本，每次epoch完成后，判断样本的累加损失值小于等于预设阈值，则训练结束，得到训练完成的transformer模型；否则，继续重复步骤(3)～(8)进行下一轮训练，直至样本的累加损失值小于等于预设阈值；
(10)、基于transformer模型的中文智能实时对话；
将待对话的输入序列输入至transformer模型，通过transformer模型实时输出期望输出序列，从而实现中文智能实时对话。
2.根据权利要求1所述的基于transformer的中文智能对话方法，其特征在于，所述步骤(6.1)中注意力矩阵z可以为多头注意力矩阵z*；
将q、k、v通过线性映射分成若干组{qκ,kκ,vκ}κ＝1,2,...，然后对每组进行步骤(6.1)操作，计算出多个zκ，最后将多个zκ拼接再进行线性投影，得到多头注意力矩阵z*。