1.一种基于GCN-Attention的情感分析方法，其特征在于，步骤如下：步骤1：建立GCN-Attention模型

构建GCN-Attention模型，需要包含embedding层、双向LSTM层、GCN-Attention层和输出层；

步骤1-1：建立embedding层

embedding层作为模型的输入层，使用的是预训练好的GloVe词向量，GloVe词向量可选维度有25、50、100、200、300；定义输入的单词序列为S＝{w1，w2，…，wn}，其中n为该单词序列的长度，n为单词序列中单词的个数，wi表示单词序列中的一个单词；将该输入经embedding层作用后，输出可表示为S＝{v1，v2，…，vn}， n为该向量组中向量的个数，vi表示一个维度为300的向量，ds表示词向量的维度；

步骤1-2：建立双向LSTM层

双向LSTM层包含正向LSTM和反向LSTM，其中正向LSTM是序列的初始位置开始往后输入序列，反向LSTM是从序列的结束位置开始往前输入序列，这样的好处是同时兼顾了序列中“未来”和“过去”的信息；上一层的输出S＝{v1，v2，…，vn}， 作为双向LSTM层的输入，根据LSTM的计算公式：如式(1)所示：ct＝f*ct-1+g*i

ht＝o*tanh(ct) (1)

其中，xt为t时刻的输入，ht为t时刻的输出，ct为t时刻的记忆单元，所有的W和b均为可训练参数，σ是sigmoid激活函数，tanh为双曲正切函数，*为元素乘运算，i是对输入信息进行选择操作，控制信息的输入过程，f是对前一模块需要被遗忘的信息进行遗忘操作，控制信息遗忘过程，g用来判断哪些信息应该存储到当前细胞状态，对信息的存储进行控制，o则是输出门对输出信息进行选择，控制输出信息；通过将正向LSTM和反向LSTM的输出拼接得出hs＝{h1，h2，…，hn}，其中hs为输出的向量组，向量组个数为n，hi表示其中一个隐藏层向量；

步骤1-3：建立GCN-Attention层

采用1～10层GCN-Attention层，目标实体能动态的提取句子中的相关信息；将双向LSTM的输出向量hs＝{h1，h2，…，hn}，作为GCN-Attention层的输入；

步骤1-4：建立输出层

经过GCN-Attention层后，最后得到目标实体向量Attlast，last表示最后时刻的GCN-Attention层的输出；通过一个softmax分类器输出最后结果，计算如式(3)所示Final＝softmax(WAttlast+b) (3)W，b为可训练参数；

步骤2：训练GCN-Attention模型

设定超参数，将训练集输入到GCN-Attention模型，得到损失函数值，再反向传播得到梯度，通过梯度值更新参数，经过设置的迭代次数的迭代之后，得到训练好的GCN-Attention模型；

步骤3：预测

GCN-Attention模型完成训练后，将要预测的测试集输入模型，即可得到准确率和损失函数值。

2.如权利要求1所述的基于GCN-Attention的情感分析方法，其特征在于，步骤1-3：建立GCN-Attention层，具体包括：步骤1-3-1：建立GCN子层

进入GCN-Attention层后，首先经过GCN子层，通过句法依存树对输入序列构建对称邻接矩阵，定义为A，计算gs＝ReLU(A*hs*W)，其中*表示为矩阵乘，A为通过依存树构建的对称邻接矩阵，W为可训练的参数，ReLU为激活函数；通过GCN子层得到的向量组gs，其每个向量的每一个特征均加上了在依存树上邻近向量的对应特征，即gs中的某一向量g，向量g的某一特征，均由该向量的在依存树上的附近向量的对应特征共同决定；在句法上进一步混合了句子信息；

步骤1-3-2：分离目标实体并池化

将GCN子层的输出gs＝{g1，g2，…，gn}，抽取其中代表目标实体的向量Term＝{gr+1，gr+2，…，gr+m}，m为目标实体Term的长度，r为目标实体Term在gs中的坐标；进行最大池化计算p＝max(gr+1，gr+2，…，gr+m)，得到向量p，此时目标实体的向量值为p；

步骤1-3-3：整合目标实体向量

由于有多个GCN-Attention层，存在不同时刻的目标实体向量p，定义当前目标实体向量为pt，表示t时刻的目标实体向量p，此时GCN-Attention层接受上一层目标实体向量pt-1，将pt与pt-1通过一个affine子层整合为一个目标实体向量，定义为zt，zt＝ReLU(W(pt，pt-1)+b)，其中W，b为可训练参数，ReLU为激活函数，(pt，pt-1)表示将pt和pt-1拼接为一个向量；

步骤1-3-4：建立Attention子层

由1-3-1得到向量组gs＝{g1，g2，…，gn}，和由1-3-3得到的目标实体向量zt，将两者作为Attention子层的输入，计算如式(2)所示similarity(gi，zt)表示计算gi和zt的相似度，本方法采用的是向量内积和后再作用一个Softmax函数；定义Attention子层输出的目标向量为Attt，t代表当前时刻，于是输出目标实体Attt和向量组gs。

3.如权利要求1或2所述的基于GCN-Attention的情感分析方法，其特征在于，步骤2具体包括：步骤2-1：将训练集中的句子读到内存中，作为embedding层的输入步骤2-2：设定dropout＝0.5，学习率η＝0.01，用来控制模型的学习进度步骤2-3：设定最小化交叉熵误差函数， y

为训练输出值；

步骤2-4：设定迭代次数epoches，开始迭代训练

步骤2-5：计算训练数据集，在当前迭代次数i下，训练得到模型的损失函数值Eloss；

步骤2-6：模型权重参数更新，采用SGD的方式更新，

步骤2-7：判断迭代是否结束，若i＜epoches，重复步骤2-5到2-6，否则输出训练模型。

4.如权利要求1或2所述的基于GCN-Attention的情感分析方法，其特征在于，步骤1-1：建立embedding层，所述的GloVe词向量维度选300。

5.如权利要求3所述的基于GCN-Attention的情感分析方法，其特征在于，步骤1-1：建立embedding层，所述的GloVe词向量维度选300。

6.如权利要求1或2或5所述的基于GCN-Attention的情感分析方法，其特征在于，步骤

1-3：建立GCN-Attention层，采用5层GCN-Attention层。

7.如权利要求3所述的基于GCN-Attention的情感分析方法，其特征在于，步骤1-3：建立GCN-Attention层，采用5层GCN-Attention层。

8.如权利要求4所述的基于GCN-Attention的情感分析方法，其特征在于，步骤1-3：建立GCN-Attention层，采用5层GCN-Attention层。