1.融合注意力的方面级用户评论文本情感分析方法，其特征是，包括：获取待分析的用户评论文本；所述待分析的用户评论文本，包括：方面词汇，和方面词汇的上下文文本；

将待分析的用户评论输入到训练后的方面级用户评论文本情感分析模型中，输出待分析用户评论文本的情感类型；

基于待分析用户评论文本的情感类型，推荐对应的产品或服务。

2.如权利要求1所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述方面级用户评论文本情感分析模型，包括：两个并列的支路；

其中一个支路，包括依次连接的第一嵌入层、第一多头注意力机制层、第一点卷积变换层、第一隐藏层、位置编码层、图卷积网络层GCN、双向注意力层、全连接层和分类层；

另外一个支路，包括依次连接的第二嵌入层、第二多头注意力机制层、第二点卷积变换层、第二隐藏层和加权融合层；

其中，第一隐藏层的输出端，还通过平均池化层与加权融合层的输入端连接；加权融合层的输出端与双向注意力层输入端连接；第一嵌入层的输出端，还与第二多头注意力机制层的输入端连接。

3.如权利要求2所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述第一嵌入层和第二嵌入层，均用于对输入的文本进行词嵌入处理，得到方面词汇的向量矩阵和上下文文本的向量矩阵。

4.如权利要求2所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述第一多头注意力机制层和第二多头注意力机制层，多头注意力的每个头为每个词的分配权重，然后将每一个注意力头的输出连接；

所述位置编码层，用于使用位置编码对输入值进行编码处理，使文本信息具有位置感知。

5.如权利要求2所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述方面级用户评论文本情感分析模型，工作原理包括：将待分析的用户评论文本输入到第一嵌入层，第一嵌入层对输入的用户评论文本进行嵌入表示，得到用户评论文本的向量矩阵；

将用户评论文本的向量矩阵，输入到第一多头注意力机制层进行并行计算；将第一多头注意力机制层的输出值输入到第一点卷积变换层进行转换处理得到第一中间变量；

将第一中间变量，输入到第一隐藏层中，获取用户评论文本的第一隐藏向量表示；

将用户评论文本的第一隐藏向量表示，输入到位置编码层，进行编码处理，得到带有位置信息的位置感知表示；

将带有位置信息的位置感知表示，输入到图卷积网络中进行处理；得到第一长距离依赖关系；

然后，将方面词汇的向量矩阵、用户评论文本的向量矩阵，输入到第二多头注意力机制层进行并行计算；将第二多头注意力机制层的输出值输入到第二点卷积变换层进行转换处理得到第二中间变量；

将第二中间变量，输入到第二隐藏层中，获取方面词汇的第二隐藏向量表示；

将用户评论文本的第一隐藏向量表示经过平均池化层的池化处理，得到第三隐藏向量表示；

将方面词汇的第二隐藏向量表示和第三隐藏向量表示进行加权融合，得到融合向量表示；

将第一长距离依赖关系，和融合向量表示，均输入到双向注意力层中，得到最终用户评论文本的特征表示；

将最终用户评论文本的特征表示，输入到全连接层和分类层中，得到最终的分类结果。

6.如权利要求1所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述训练后的方面级用户评论文本情感分析模型；训练步骤包括：构建方面级用户评论文本情感分析模型；

构建训练集和测试集；

将训练集和测试集，输入到方面级用户评论文本情感分析模型中，对模型进行训练，得到训练后的方面级用户评论文本情感分析模型。

7.如权利要求1所述的融合注意力的方面级用户评论文本情感分析方法，其特征是，所述构建训练集和测试集的具体步骤包括：获取已知情感分类结果的用户评论文本；

对已知情感分类结果的用户评论文本进行去噪处理；

将去噪处理后的用户评论文本，按照设定比例，划分为训练集和测试集。

8.融合注意力的方面级用户评论文本情感分析系统，其特征是，包括：获取模块，其被配置为：获取待分析的用户评论文本；所述待分析的用户评论文本，包括：方面词汇，和方面词汇的上下文文本；

分类模块，其被配置为：将待分析的用户评论输入到训练后的方面级用户评论文本情感分析模型中，输出待分析用户评论文本的情感类型；

推荐模块，其被配置为：基于待分析用户评论文本的情感类型，推荐对应的产品或服务。

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。