1.基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，所述方法包括以下步骤：S1：将文本映射到词向量映射框架中，将所述文本表示为词向量矩阵；

S2：构建改进的卷积神经网络，对映射的词向量矩阵进行特征提取；

S3：利用双向长短时记忆循环神经网络对提取的特征进行训练，直至其损失函数最小时；

S4：在该双向长短时记忆循环神经网络后增加全局均值池化层和分类层，并替代全连接层，从而输出该文本的情感分类标签；

其中，步骤S4具体包括将每个输出值进行全局均值池化，输出向量经过softmax函数对获得的向量进行转换，计算所有类别预测的概率，根据该概率确定出文本的情感分类标签；

其中，第i个输出节点的全局均值池化表示为 Q表示每个输出节点的维度，yi表示第i个输出节点的输出结果；该节点所预测的概率表示为 d表示输出节点的个数。

2.根据权利要求1所述的基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，所述将文本映射到词向量映射框架中，将所述文本表示为词向量矩阵包括如下：将文本中的每个单词通过查找word2vec模型中的词嵌入矩阵，得到字词的词向量矩阵： 其中，Text表示长度为L的文本；w1:L表示第1个到第L个相邻的词向量；wl表示第l个词的词向量，l∈{1,2,...,L}； 是向量拼接运算符。

3.根据权利要求1所述的基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，所述构建改进的卷积神经网络，对映射的词向量矩阵进行特征提取包括：设置出卷积神经网络中卷积核的宽度和个数；在其输入层中输入词向量矩阵，在其卷积层中将词向量矩阵与不同宽度的卷积核进行卷积，再进行非线性特征映射；使用相同窗口大小的卷积滤波器来提取出多个特征，并将这些特征进行重新排列，形成特征矩阵W；其中，所述改进的卷积神经网络包括输入层和卷积层。

4.根据权利要求3所述的基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，所述进行非线性特征映射包括 其中，f表示非线性激活函数Relu；wq:q+h‑1表示h个相邻的词wq,wq+1,...,wq+h‑1； 表示第m个卷积滤波器提取的第q个特征，m∈(1,2,...,n)，n表示卷积滤波器个数；q的取值1,2,...,L‑h+1；h表示进行卷积的长度；L表示文本的长度；b表示偏置值，·表示卷积滤波器和词向量之间进行点乘的操作。

5.根据权利要求4所述的基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，所述使用相同窗口大小的卷积滤波器来提取出多个特征，并将这些特征进行重新排列包括对于窗口大小相同的n个不同权值的卷积滤波器，将提取的n个不同粒度的局部特征进行重新排列，重新排列的特征矩阵表示为表示第n

个卷积滤波器的第L‑h+1个特征。

6.根据权利要求1所述的基于双向长短时记忆神经网络的文本情感分析方法，其特征在于，步骤S3的训练过程包括：获得重新排列后的特征矩阵W，将特征矩阵W送入双向长短时记忆循环神经网络，进行训练；将每个节点的双向输出结果进行拼接，输出值为Y＝{y1,y2,…,yd}，d表示输出点的个数； 和 各自为双向的输出结果，其中，i∈{1,2,...,d}，U表示拼接函数。