1.一種文本相關(guān)性的確定方法，其特征在于，預(yù)先將獲得的針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量進行聚類，并計算每一類的質(zhì)心向量；所述方法包括：
獲得待處理目標文本對應(yīng)的文本向量；
根據(jù)所述待處理目標文本對應(yīng)的文本向量以及所述每一類的質(zhì)心向量，計算所述待處理目標文本與每一類質(zhì)心的相關(guān)度；
根據(jù)所述相關(guān)度，確定所述待處理目標文本與所述目標領(lǐng)域的相關(guān)性。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲得針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量，包括：
針對所述文本樣本中每一文本，采用詞嵌入技術(shù)，獲得該文本對應(yīng)的文本向量；
獲得待處理目標文本對應(yīng)的文本向量，包括：
針對所述待處理目標文本，采用詞嵌入技術(shù)，獲得該文本對應(yīng)的文本向量。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將獲得的針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量進行聚類，包括：
根據(jù)預(yù)設(shè)聚類算法，將所述文本樣本中每一文本對應(yīng)的文本向量聚類。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述待處理目標文本對應(yīng)的文本向量以及所述每一類的質(zhì)心向量，計算所述待處理目標文本與每一類質(zhì)心的相關(guān)度，包括：
根據(jù)所述待處理目標文本對應(yīng)的文本向量以及所述每一類的質(zhì)心向量，采用余弦相似度算法，計算所述待處理目標文本與每一類質(zhì)心的相關(guān)度。
5.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述根據(jù)所述相關(guān)度，確定所述待處理目標文本與所述目標領(lǐng)域的相關(guān)性，包括：
獲得所述待處理目標文本與每一類質(zhì)心的相關(guān)度中的最大值；
當所述最大值不小于第一預(yù)設(shè)閾值時，確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)；
當所述最大值不大于第二預(yù)設(shè)閾值時，確定所述待處理目標文本與所述目標領(lǐng)域不相關(guān)；
當所述最大值介于所述第二預(yù)設(shè)閾值與所述第一預(yù)設(shè)閾值之間時，利用自編碼神經(jīng)網(wǎng)絡(luò)對所述待處理目標文本對應(yīng)的文本向量進行訓練；計算訓練前的文本向量和訓練后的文本向量的均方差；判斷所述均方差是否大于第三預(yù)設(shè)閾值；如果是，確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)；如果否，確定所述待處理目標文本與所述目標領(lǐng)域不相關(guān)，其中，所述第二預(yù)設(shè)閾值小于所述第一預(yù)設(shè)閾值。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，在確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)的情況下，所述方法還包括：
將所述待處理目標文本標記為所述目標領(lǐng)域的相關(guān)文本。
7.一種文本相關(guān)性的確定裝置，其特征在于，所述裝置包括：
聚類模塊，用于預(yù)先將獲得的針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量進行聚類，并計算每一類的質(zhì)心向量；
獲得模塊，用于獲得待處理目標文本對應(yīng)的文本向量；
計算模塊，用于根據(jù)所述待處理目標文本對應(yīng)的文本向量以及所述每一類的質(zhì)心向量，計算所述待處理目標文本與每一類質(zhì)心的相關(guān)度；
確定模塊，用于根據(jù)所述相關(guān)度，確定所述待處理目標文本與所述目標領(lǐng)域的相關(guān)性。
8.根據(jù)權(quán)利要7所述的裝置，其特征在于，獲得針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量，包括：
針對所述文本樣本中每一文本，采用詞嵌入技術(shù)，獲得該文本對應(yīng)的文本向量；
獲得待處理目標文本對應(yīng)的文本向量，包括：
針對所述待處理目標文本，采用詞嵌入技術(shù)，獲得該文本對應(yīng)的文本向量。
9.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述將獲得的針對目標領(lǐng)域的文本樣本中每一文本對應(yīng)的文本向量進行聚類，包括：
根據(jù)預(yù)設(shè)聚類算法，將所述文本樣本中每一文本對應(yīng)的文本向量聚類。
10.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述計算模塊，具體用于：
根據(jù)所述待處理目標文本對應(yīng)的文本向量以及所述每一類的質(zhì)心向量，采用余弦相似度算法，計算所述待處理目標文本與每一類質(zhì)心的相關(guān)度。
11.根據(jù)權(quán)利要求7至10任一項所述的裝置，其特征在于，所述確定模塊，具體用于：
獲得所述待處理目標文本與每一類質(zhì)心的相關(guān)度中的最大值；
當所述最大值不小于第一預(yù)設(shè)閾值時，確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)；
當所述最大值不大于第二預(yù)設(shè)閾值時，確定所述待處理目標文本與所述目標領(lǐng)域不相關(guān)；
當所述最大值介于所述第二預(yù)設(shè)閾值與所述第一預(yù)設(shè)閾值之間時，利用自編碼神經(jīng)網(wǎng)絡(luò)對所述待處理目標文本對應(yīng)的文本向量進行訓練；計算訓練前的文本向量和訓練后的文本向量的均方差；判斷所述均方差是否大于第三預(yù)設(shè)閾值；如果是，確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)；如果否，確定所述待處理目標文本與所述目標領(lǐng)域不相關(guān)，其中，所述第二預(yù)設(shè)閾值小于所述第一預(yù)設(shè)閾值。
12.根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述裝置還包括：標記模塊，
所述標記模塊，用于在確定所述待處理目標文本與所述目標領(lǐng)域相關(guān)的情況下，將所述待處理目標文本標記為所述目標領(lǐng)域的相關(guān)文本。