1.一种基于GCN的重大事件趋势预测方法，其特征在于该方法具体包括以下步骤：步骤(1)、数据预处理：

从关系型数据库获取结构化事件信息数据，生成事件语义关联图，并存入图数据库；

步骤(2)、局部图分割：选择时间片粒度分割出局部图，并对节点进行向量化；

步骤(3)、模型构建：利用图卷积网络提取事件图特征，构建基于GCN的趋势预测模型；

基于GCN的趋势预测模型模型输入为多个局部事件语义关联图的节点向量和邻接矩阵，输出为趋势等级；

基于GCN的趋势预测模型包括两个图卷积网络层、图特征池化层、全连接层、softmax层。

2.如权利要求1所述的一种基于GCN的重大事件趋势预测方法，其特征在于步骤(2)具体是2.1按时间片从事件语义关联图中分割出局部事件语义关联图gt＝{VT,ET,T∈[t‑n,t‑

1]}，其中t属于事件数据集中某一月，n表示时间片粒度，T表示时间片，VT表示T时间片的节点集，ET表示T时间片的边集；

2.2将局部事件语义关联图的节点向量化表示，并构建所有节点的邻接矩阵；

邻接矩阵：

其中Aij表示i和j两节点在邻接矩阵中的值，vi表示节点i，vj表示节点j，E表示边集。

3.如权利要求1所述的一种基于GCN的重大事件趋势预测方法，其特征在于步骤(3)基于GCN的趋势预测模型中：

第一个图卷积网络层，用于对局部事件语义关联图提取聚合事件一阶自相关属性节点向量；

第二个图卷积网络层，用于对第一个图卷积网络层输出的聚合事件一阶自相关属性节点信息提取聚合二阶节点特征信息；

式中 为节点v在l+1层的特征向量，l表示GCN层的数量，Relu为线性激活函数，b为偏(l)

置项，|N(v)|为相邻节点数目， 为节点u在l层的特征向量，w 表示l层上共享的可学习的权重向量；

图特征池化层，用于对图中所有二阶节点特征池化处理，得到图的特征表示；

式中hg为图特征表示向量，|N(v)|为相邻节点数目，hv为二阶节点特征v的特征向量；

全连接层，用于对图的特征表示做线性变换，得到归一化前每一类的概率；

softmax层，用于归一化计算每一类的概率；

式中 表示预测出属于类别i的概率，wi表示共享的可学习的权重向量，hg为图特征表示向量，bi为偏置项，M表示类别数。

4.如权利要求1或3所述的一种基于GCN的重大事件趋势预测方法，其特征在于基于GCN的趋势预测模型训练时采用交叉熵损失函数，如式(4)所示；

式中，L为损失值，N为样本数，y表示真实的类别，表示预测出的类别。

5.如权利要求1所述的一种基于GCN的重大事件趋势预测方法，其特征在于步骤(1)所述结构化事件信息数据包括事件描述、事件属性；

所述事件语义关联图由节点、边构成，中心节点为事件描述，与中心节点直接关联的节点为事件属性，边为事件属性类型；同一边的相邻节点为同一事件上的结构化事件信息数据。

6.如权利要求5所述的一种基于GCN的重大事件趋势预测方法，其特征在于事件属性包括时间、地点、参与者、事件类型等。