1.一种融合语法的方面级文本情感分类方法，其特征是，包括：获取待分类的方面级情感文本；对待分类的方面级情感文本进行预处理，得到待分类的文本信息；

将待分类的文本信息，输入到训练后的深度学习模型中，得到待分类方面级情感文本的分类结果；

其中，训练后的深度学习模型，先对待分类的文本信息进行词嵌入处理，得到文本词向量矩阵；然后，对文本词向量矩阵进行聚合处理，得到文本的隐藏状态；然后，对文本的隐藏状态进行加权处理，得到带有语法感知的文本表示；然后，对带有语法感知的文本表示，获取依赖关系向量矩阵；然后，从依赖关系向量矩阵中，选择最显著特征；最后，对最显著特征进行分类，得到待分类方面级文本情感的分类结果。

2.如权利要求1所述的一种融合语法的方面级文本情感分类方法，其特征是，对待分类的方面级情感文本进行预处理，得到待分类的文本信息；具体包括：对待分类的方面级情感文本进行分词处理，对分词处理后的结果进行去除停用词处理；

将去除停用词处理后得到的结果，输入到神经网络中，得到待分类的文本信息；所述待分类的文本信息为设定长度的文本。

3.如权利要求1所述的一种融合语法的方面级文本情感分类方法，其特征是，将待分类的文本信息，输入到训练后的深度学习模型中，得到待分类方面级情感文本的分类结果；其中，深度学习模型的网络结构包括：依次连接的嵌入层、隐藏状态层、加权层、图卷积网络层、最大池化层和分类器；

所述嵌入层，用于使用嵌入矩阵对每个单词进行降维处理；实现对待分类的文本信息进行词嵌入处理，得到文本词向量矩阵；其中，每个词被嵌入成低维实值向量，形成嵌入矩阵；

所述隐藏状态层，通过双向门控循环单元GRU来实现；用于对文本词向量矩阵进行聚合处理，得到文本的隐藏状态；

所述加权层，基于当前单词的上下文单词，计算每个单词的权重；对文本的隐藏状态进行加权处理，得到带有语法感知的文本表示；

所述图卷积网络层，对带有语法感知的文本表示，获取依赖关系向量矩阵；

所述最大池化层，从依赖关系向量矩阵中，选择最显著特征；

所述分类器，在整个模型框架中起到分类的作用。

4.如权利要求3所述的一种融合语法的方面级文本情感分类方法，其特征是，所述加权层，基于当前单词的上下文单词，计算每个单词的权重；具体包括：根据基于当前单词的上下文单词构建依赖树，在依赖树中计算上下文单词基于所构建依赖树的距离，即上下文单词与方面词之间的最短路径的长度；

若当前方面单词含有多个单词，则取上下文单词和所有方面词之间基于树的最小距离作为每个方面单词的权重。

5.如权利要求3所述的一种融合语法的方面级文本情感分类方法，其特征是，所述嵌入矩阵，是通过已知数字向量的若干个词语对Glove模型进行反复训练得到的。

6.如权利要求3所述的一种融合语法的方面级文本情感分类方法，其特征是，将待分类的文本信息，输入到训练后的深度学习模型中，得到待分类方面级情感文本的分类结果；深度学习模型的训练步骤包括：

构建第二训练集；所述第二训练集为已知分类结果的文本信息；

将第二训练集，输入到深度学习模型中，进行反复训练，当损失函数达到最小值时或迭代次数满足设定次数时，停止训练，得到训练后的深度学习模型。

7.如权利要求6所述的一种融合语法的方面级文本情感分类方法，其特征是，所述损失函数，采用带有L2正则项的交叉熵损失函数。

8.一种融合语法的方面级文本情感分类系统，其特征是，包括：预处理模块，其被配置为：获取待分类的方面级情感文本；对待分类的方面级情感文本进行预处理，得到待分类的文本信息；

分类模块，其被配置为：将待分类的文本信息，输入到训练后的深度学习模型中，得到待分类方面级情感文本的分类结果；

其中，训练后的深度学习模型，先对待分类的文本信息进行词嵌入处理，得到文本词向量矩阵；然后，对文本词向量矩阵进行聚合处理，得到文本的隐藏状态；然后，对文本的隐藏状态进行加权处理，得到带有语法感知的文本表示；然后，对带有语法感知的文本表示，获取依赖关系向量矩阵；然后，从依赖关系向量矩阵中，选择最显著特征；最后，对最显著特征进行分类，得到待分类方面级文本情感的分类结果。

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。