1.基于依赖图卷积和迁移学习的ABSC任务句法约束方法，其特征在于，包括如下步骤：将任务分为主任务和辅助任务，先训练好辅助任务的被迁移的词性标注的模型BiLSTMPOSTagger，然后对模型BiLSTMPOSTagger进行冻结，再进行主任务模型LCF‑TDGCN的训练：

一、辅助任务训练：

1)数据预处理：采用程序包TorchText对数据集通用依赖性英语Web树库，即UDPOS中的文本格式进行预处理，预处理包含小写所有文本、对未知token进行标记，将预处理后的文本数据集分成训练集、验证集和测试集；

2)初始化设置：设置超参数，加载Glove预训练，构建词汇表，将Glove预先训练的向量加载到词汇表中，使用超参数初始化模型，再定义迭代器，设置批处理大小batch_size和device，分别对辅助任务训练步骤1)中划分好的训练集、验证集和测试集中的文本以batch_size个文本样本为一个批次进行处理；

3)构建模型：使用PyTorch和TorchText构建一个机器学习模型BiLSTMPOSTagger，BiLSTMPOSTagger包括：一个嵌入层Embedding，输入尺寸为输入文字或词汇的大小；两层双向LSTM，即Bi‑LSTM；Linear线性层；一个dropout层；

4)训练模型：实例化模型，将辅助任务训练步骤2)中训练集的文本样本分批次输入到辅助任务训练步骤3)的模型BiLSTMPOSTagger中，应用Adam算法和交叉熵损失函数来训练词性标注模型，直至训练集中所有样本的文本都被BiLSTMPOSTagger模型网络学习；

5)迭代训练：对BiLSTMPOSTagger进行迭代训练，并保存训练后的模型，然后在完成一次迭代后更新系数，直至进行了e次迭代后结束训练，其中e的次数人为设定，得到符合预期要求的BiLSTMPOSTagger，同时将辅助任务训练步骤1)中验证集的样本分批次输入到BiLSTMPOSTagger中计算,得到验证集的分类准确度和分类损失值；

6)测试和评估：将辅助任务训练步骤2)中测试集的样本分批次输入到辅助任务训练步骤5)中得到的BiLSTMPOSTagger中进行计算并测试，并记录测试结果，然后保存记录训练好的网络参数，然后将该参数输出；

二、主任务训练：

1)数据预处理和初始化设置：对原始数据集进行分析和预处理，主任务共有5个数据集，分别是Twitter、Laptop、SemEval‑2014的任务4下子任务2的餐馆数据集REST14、SemEval 2015任务12的餐馆数据集REST15、SemEval 2016任务5的餐馆数据集REST15，数据集信息18744条，其中每类数据集下面分积极、消极、中性三类数据集，对数据集根据极性的三种类别进行训练集和测试集的划分，先将5个数据集的训练集和测试集分别生成对应的句法依赖图.graph文件备用，共10个.graph文件，对10个.graph文件进行处理得到.graph对应的邻接矩阵，再对数据集的原文本格式使用进行预处理，进行小写处理、通过Tokenizer4Bert生成字向量，设置超参数，定义迭代器，设置批处理大小batch_size和device，分别对划分好的训练集、测试集中的文本以batch_size个文本样本为一个批次进行处理；

2)构建模型：采用预训练模型、图神经网络和迁移学习技术，设计和构建好模型框架LCF‑TDGCN，本地上下文即LCFB单元位于左侧，全局上下文即GCFB单元位于右侧，GCFB使用g

另一个独立的预训练BERT 层对全局上下文进行建模，同时，LCFB使用一个独立的预训练l

BERT层和辅助任务的迁移词性标注模型BiLSTMPOSTagger对本地上下文进行建模，进行加权和Add操作、动态权重CDW操作、2层GCN层、动态掩码CDM操作，在CDM操作后得到的特征和GCFB单元得到的特征进行torch.cat()连接，再通过Linear层，SelfAttention层，BertPooler层，Linear层后返回向量；

3)模型训练：对辅助模型BiLSTMPOSTagger进行加载和冻结操作，将主任务训练步骤1)中训练集的文本样本分批次输入到主任务训练步骤2)构建的模型LCF‑TDGCN中，应用Adam算法和交叉熵损失函数来训练模型LCF‑TDGCN，直至训练集中所有样本的文本都被模型LCF‑TDGCN学习；

4)迭代训练：对模型LCF‑TDGCN进行迭代训练，并保存训练后的网络，在完成一次迭代后更新系数，直至进行了n次迭代后结束训练，其中n的次数人为设定，得到符合预期要求的网络，为防止过拟合，在迭代训练过程中采用early stop，early stop阈值人为设定；

5)模型的测试和优化评估：将主任务训练步骤1)中测试集的样本分批次输入到主任务训练步骤4)中得到的网络中进行计算并测试，并记录测试结果，然后保存记录训练好的网络参数，然后将该参数输出，为了获得更好的效果，在模型的每次训练后应用Adam算法和交叉熵损失函数进行参数调整优化，此外还对模型LCF‑TDGCN做出相应的评价，采用评价指标Acc即分类准确率和F1即精确率和召回率的调和均值来反馈结果。

2.根据权利要求1所述的基于依赖图卷积和迁移学习的ABSC任务句法约束方法，其特征在于，所述主任务训练步骤1)中的生成对应的句法依赖图.graph文件时统一为矩阵格式。