1.一种电商评论情感分类方法，其特征在于，包括：

S1：获取电商评论文本，对文本进行分词处理并对文本进行编码，得到分词结果和文本向量；

S2：根据分词结果和文本向量构建文本关键词图；

S3：基于文本关键词图计算滑动窗口大小；

S4：采用滑动窗口获取文本关键词图中包含各节点的路径；

S5：分别聚合节点的每条路径的特征，得到多个聚合路径特征；取多个聚合路径特征的平均值作为节点的长距离特征；得到聚合路径特征的公式为：ht＝tanh(Usnodet,Wsht‑1)⊙σ1(Wi[nodet,edget])其中，ht表示当前节点的更新特征向量，tanh和σ1分别表示第二、第三激活函数，Us、Ws、Wi分别表示第一更新权重、第二更新权重和第三更新权重，ht‑1表示上一个节点特征更新后的特征，nodet表示当前节点更新前的特征向量，edget表示当前路径中当前节点和下一个节点间边的权重；

S6：聚合节点的所有路径特征，得到节点聚合特征；得到节点聚合特征的公式为：其中，mt表示当前节点的聚合特征向量，σ2表示第四激活函数，Si表示包含当前节点的路径集合，node和edge分别表示所有包含当前节点的路径上的节点和边；Wnode，Wedge分别表示第一学习权重、第二学习权重，γ表示学习系数，self‑attention表示自注意力机制，Rt表示当前节点的句子依存关系矩阵；

S7：融合长距离特征和节点聚合特征，得到文本特征；

S8：对文本特征进行情感分类，得到情感分类结果。

2.根据权利要求1所述的一种电商评论情感分类方法，其特征在于，构建文本关键词图的过程包括：S21：根据分词结果和文本向量计算词的重要性分数；

S22：计算关键词数量ktext，选取前ktext个重要性分数最高的词作为关键词；

S23：将文本和关键词作为节点，词的重要性分数作为边构建文件关键词图。

3.根据权利要求2所述的一种电商评论情感分类方法，其特征在于，计算重要性分数的公式为：其中， 表示第i个词的重要性分数，n表示分词后的词语个数，Qi表示包含词wi的文本向量通过线性层转换的第一结果，Ki表示包含词wi的文本向量通过线性层转换的第二结果，dk表示Ki的维度， 表示包含词wi的文本的个数，N表示文本的总数量，softmax()表示第一激活函数。

4.根据权利要求2所述的一种电商评论情感分类方法，其特征在于，计算关键词数量的公式为：其中，lenth(text)表示文本的长度，n(Wtext)表示文本分词后的词语数量，ceiling()表示向上取整函数。

5.根据权利要求1所述的一种电商评论情感分类方法，其特征在于，计算滑动窗口大小的过程包括：S31：获取文本的句法依存关系，根据句法依次关系构建句法依存关系矩阵并获得有效依存关系数量；

S32：计算文本节点的密度；

S33：选择文本节点的密度、文本中含有关键词数量和有效依存关系数量中的最小值作为滑动窗口大小。

6.根据权利要求1所述的一种电商评论情感分类方法，其特征在于，所述融合长距离特征和节点聚合特征指加权融合。

7.根据权利要求1所述的一种电商评论情感分类方法，其特征在于，对文本特征进行情感分类的过程包括：将文本特征输入到含有线性层、激活层和线性分类层的多层感知机中进行处理，得到分类结果。