1.一种基于极大无关多元逻辑回归的文本情感分类方法，其特征在于，所述方法包括：获取文本数据，并对所述文本数据进行预处理；所述文本数据包括训练数据和待预测数据；所述待预测数据包括多个文本条目；

在第一模型的代价函数基础上，通过引入相关参数惩罚项，获取第二模型的代价函数，包括：获取不相关约束项；

将预处理得到的训练数据输入第二模型的代价函数的导函数，并进行求解得到第二模型；所述第一模型为多元逻辑回归模型，所述第二模型为极大无关多元逻辑回归模型；

将预处理得到的待预测数据输入所述第二模型，得到待预测数据中每个文本条目所属的情感类别；

其中，所述第一模型为：

其中

所述不相关约束项为：

所述不相关约束项即相关参数惩罚项；其中，θi和θj为任意两组不同的参数。

2.根据权利要求1所述的方法，其特征在于，所述将预处理得到的待预测数据输入所述第二模型，得到待预测数据中每个文本条目所属的情感类别，包括：将预处理得到的待预测数据中的每个文本条目输入所述第二模型，得到每个文本条目的的文本情感类别概率；

设置分类阈值；

在文本条目的文本情感类别概率大于所述分类阈值时，判定所述文本条目属于第一情感类别；

在文本条目的文本情感类别概率小于等于所述分类阈值时，判定所述文本条目属于第二情感类别。

3.根据权利要求1或2所述的方法，其特征在于，所述在第一模型的代价函数基础上，通过引入相关参数惩罚项，获取第二模型的代价函数，还包括：获取第一模型的模型参数的负对数似然函数；

将不相关约束项引入第一模型的代价函数，得到第二模型的代价函数。

4.根据权利要求3所述的方法，其特征在于，所述第一模型的参数θ的负对数似然函数为：

所述负对数似然函数即第一模型的代价函数；其中，m为独立的样本的数目。

5.根据权利要求4所述的方法，其特征在于，所述第二模型的代价函数为：

6.根据权利要求5所述的方法，其特征在于，所述第二模型的代价函数的导函数为：