1.一种基于改进BERT模型的特定目标情感分类方法，其特征在于，所述方法包括：步骤1：采集数据集，所述数据集是公开数据集或通过采集短文本数据自行构造的数据集；

步骤2：对自行构造的数据集，由标注人员其进行标注得到标注数据集，标注人员标注句子中需要进行情感分类的目标词的位置，以及每一个目标词所对应的情感极性标签，情感极性标签包括正面极性、中性极性和负面极性；

步骤3：初始化BERT模型，设置BERT模型参数；

步骤4：将公开数据集或标注数据集作为步骤3初始化完成后的BERT模型的输入，其中句子s＝[w1，w2，…，wi,…，wn]由n个单词组成，目标词t＝[wi，wi+1，…，wi+m-1]由m个单词组成，且目标词t是句子s的子集；

步骤5：句子s经过分词处理后得到的句子表示为Sr：

Sr＝[x0,x1，x2，…，xi′，…，xn′,xn′+1]该句子中的目标词表示为Tr：

Tr＝[xi′，xi′+1，…，xi′+m′-1]且Tr∈Sr其中，x0和xn′+1分别表示[CLS]标签和[SEP]标签对应的词向量，Sr经过BERT模型的多层转换网络后，得到最后一层中关于目标词Tr的编码结果表示为TrVec：TrVec＝[vi′，vi′+1，…，vi′+m′-1]，TrVec∈Rm′×dTrVec是目标词Tr的向量表示，其中R表示向量空间，长度为m′，d表示向量的维度；

步骤6：将步骤5得到的关于目标词Tr的编码结果TrVec进行最大池化处理后得到特征向量V，将V作为全连接层的输入；

V＝max{TrVec，dim＝0}，V∈R1×d

步骤7：对于单目标任务，将全连接层的输出结果输入到softmax函数中进行分类；

步骤8：对于多目标任务，将步骤6的全连接层输出结果利用Transformer或LSTM神经网络进行不同目标词之间的特征组合，然后输入到softmax函数中进行分类；

步骤9：利用交叉熵CrossEntropy计算损失函数，进行反向传播，更新模型的权值参数，进行迭代运算。不断迭代步骤4、步骤5、步骤6、步骤7和步骤8，当损失函数的损失值在连续至少两个迭代过程中趋于稳定时，结束模型的训练过程，得到分类预测模型。

2.如权利要求1所述的特定目标情感分类方法，其特征在于，步骤8对多目标进行分类的方法包括：对于多目标任务，将每个单目标经过步骤6得到的全连接层输出结果分别输入到每个Transformer模块或LSTM神经网络中进行特征组合，然后再将特征组合后的结果输入到softmax函数中进行分类。

3.如权利要求2所述的特定目标情感分类方法，其特征在于，正面极性、中性极性和负面极性分别用1、0、-1来表示。

4.如权利要求3所述的特定目标情感分类方法，其特征在于，BERT模型参数至少包括学习率、随机失活和训练轮数。