1.一种基于文本图神经网络的社交文本情感分类方法，其特征在于，包括：接收目标文本，并去除所接收的文本中的异常值；利用BERT模型获取所述目标文本的词嵌入；获取所述目标文本的情感极性特征，利用SentiWordnet情感字典源计算目标文本的每个单词的情感分数，以每个单词的最终得分作为单词的情感极性特征：根据停止词对目标文本进行分词，然后根据SentiWordnet情感词典获取每个单词的情感分数；根据单词的每种词性内意思的排序，按照顺序赋予每个意思权重为1/k；其中，k为单词在SentiWordnet中的排序；对每个单词在其词性内所有的分数进行加权计算，得到该单词的情感得分，计算公式为：其中，score(w + )为该单词的积极分数，score(w - )为该单词的消极分数，n为该单词在SentiWordnet词典中的含义总数；将所述目标文本的词嵌入和情感极性特征进行拼接，形成初始词向量；将所述目标文本构建为文本图结构：对目标文本进行滑动窗口截取，计算语料中单词与单词之间的词共现信息；将目标文本中的每个单词作为节点，单词之间的边采用单词与单词之间的词共现信息来表示，同时单词与自身连接；将所述初始词向量作为文本图的节点初始特征，然后利用文本图神经网络消息传递机制进行特征提取，最后将提取的特征进行情感分类；所述利用文本图神经网络消息传递机制进行特征提取的方法为：首先生成节点信息，生成信息的公式为：其中， 是节点v在t+1时间步所接收到的信息，N(v)是节点v的所有邻接点， 是节点v在t时间步的特征向量，e vw 是节点v和w的边特征，M t 是消息函数；然后对节点进行更新，更新公式为：其中，U t 是节点更新函数，该函数把原节点状态 和信息 作为输入，得到新的节点状态 最后读出特征，公式为：其中， 是最终的输出向量，R是读取函数，G是文本图；其中，对文本图神经网络进行训练，采用如下损失函数：loss＝-(y·log(y′)+(1-y)·log(1-y′))其中，y′是模型预测样本为正例的概率，y是样本标签。
2.一种基于文本图神经网络的社交文本情感分类系统，其特征在于，包括：数据接收模块，其配置成接收目标文本，并去除所接收的文本中的异常值；词嵌入获取模块，其配置成利用BERT模型获取所述目标文本的词嵌入；情感极性特征获取模块，其配置成获取所述目标文本的情感极性特征，利用SentiWordnet情感字典源计算目标文本的每个单词的情感分数，以每个单词的最终得分作为单词的情感极性特征：根据停止词对目标文本进行分词，然后根据SentiWordnet情感词典获取每个单词的情感分数；根据单词的每个词性意思的排序，按照顺序赋予该词性意思权重为1/k；k为单词在SentiWordnet中的排序；对每个单词在其词性内所有的分数进行加权计算，得到该单词的情感得分，计算公式为：其中，score(w + )为该单词的积极分数，score(w - )为该单词的消极分数，n为该单词在SentiWordnet词典中的含义总数；向量拼接模块，其配置成将所述目标文本的词嵌入和情感极性特征进行拼接，形成初始词向量；文本图构建模块，其配置成将所述目标文本构建为文本图结构：对目标文本进行滑动窗口截取，计算语料中单词与单词之间的词共现信息；将目标文本中的每个单词作为节点，单词之间的边采用单词与单词之间的词共现信息来表示，同时单词与自身连接；特征提取分类模块，其配置成将所述初始词向量作为文本图的节点初始特征，然后利用文本图神经网络消息传递机制进行特征提取，最后将提取的特征进行情感分类；所述特征提取分类模块包括：生成信息模块，其配置成根据如下公式生成节点信息，其中， 是节点v在t+1时间步所接收到的信息，N(v)是节点v的所有邻接点，h′ v 是节点v在t时间步的特征向量，e vw 是节点v和w的边特征，M t 是消息函数；节点更新模块，其配置成根据如下公式对节点进行更新：其中，U t 是节点更新函数，该函数把原节点状态 和信息 作为输入，得到新的节点状态 特征读取模块，其配置成根据如下公式读出特征：其中， 是最终的输出向量，R是读取函数，G是文本图；训练模块，其配置成根据如下损失函数对文本图神经网络进行训练：loss＝-(y·log(y′)+(1-y)·log(1-y′))其中，y′是模型预测样本为正例的概率，y是样本标签。
