1.一种基于图表示学习的多视角个体观点预测方法，其特征在于，包括：分别构建观点持有者的背景知识图谱、交互行为网络和观点网络；以该观点持有者、目标观点对象和观点生成时刻为要素，构建观点预测任务的目标三元组 ；从该背景知识图谱、该交互行为网络和该观点网络，分别获取该观点持有者的知识向量 、交互行为向量 和观点向量 ；将该知识向量 、该交互行为向量 和该观点向量 进行均匀池化，得到最终三元组表示向量 ，将 输入分类器进行观点预测，以得到的观点极性 作为观点预测结果；其中， 表示该观点持有者， 表示该目标观点对象， 表示该观点生成时刻，当 时表示 对 持有负面观点，当 时表示 对 持有正面观点，该观点预测任务的损失函数 ； 为该分类器的目标函数， 为编码该背景知识图谱 的目标函数， 为编码该交互行为网络 的目标函数， 为编码观点网络 的目标函数， 、 和 为超参数。
2.如权利要求1所述的多视角个体观点预测方法，其特征在于，使用L层的图注意力网络作为知识图谱编码器Encoder KG ，编码该背景知识图谱 ； 具有知识图谱三元组（ ），表示 与 之间存在关系 ；获取 的步骤包括：通过Encoder KG ，从 学习该观点持有者的背景知识信息，并获取 ；其中，从 中随机抽取多个知识图谱三元组作为正样本，并随机生成相同数量个不存在于 中且与该知识图谱三元组具有相同结构的三元组作为负样本；以该正样本和该负样本训练Encoder KG ，并使用交叉熵作为目标函数 。
3.如权利要求1所述的多视角个体观点预测方法，其特征在于，使用拓扑时序编码模型作为交互网络编码器Encoder IN ，编码该交互行为网络 ； 具有交互行为三元组（ ），表示 与 在 时刻发生了交互行为；获取 的步骤包括：通过Encoder IN ，从 学习该观点持有者的动态行为信息，并获取 ；其中，从 中随机抽取多个交互行为三元组作为正样本，并随机生成相同数量个不存在于 中且与该交互行为三元组具有相同结构的三元组作为负样本；以该正样本和该负样本训练Encoder IN ，并使用交叉熵作为目标函数 。
4.如权利要求1所述的多视角个体观点预测方法，其特征在于，使用拓扑时序编码模型作为观点网络编码器Encoder ON ，编码该观点网络 ； 具有观点四元组（ ），表示 在 时刻对 的观点是 ；获取 的步骤包括：通过Encoder ON ，从 学习该观点持有者的观点信息，并获取 ；其中，从 中随机抽取多个正面观点四元组作为正样本，及等量个负面观点四元组作为负样本；以该正样本和该负样本训练Encoder ON ，并使用交叉熵作为目标函数 。
5.一种基于图表示学习的多视角个体观点预测系统，采用如权利要求1-4任一项所述的基于图表示学习的多视角个体观点预测方法，进行个体观点预测，其特征在于，包括：初始化模块，用于以观点持有者、观点对象和观点生成时刻三个要素，构建为对该观点持有者进行观点预测任务的目标三元组；获取该观点持有者的用户信息网络；预测模块，用于通过该用户信息网络分别获取该观点持有者的知识向量、交互行为向量和观点向量；将该知识向量、该交互行为向量和该观点向量通过分类器，输出该目标三元组对应的观点预测结果。
6.如权利要求5所述的多视角个体观点预测系统，其特征在于，该预测模块包括观点预测模块，用于获取该观点预测结果；对于该目标三元组 ，将该知识向量 、该交互行为向量 和该观点向量 进行均匀池化，得到最终的三元组表示向量 ，将 输入该分类器进行观点预测，以得到的观点极性s作为该观点预测结果；其中， 表示该观点持有者， 表示该观点对象， 表示该观点生成时刻，当 时表示 对 持有负面观点，当 时表示 对 持有正面观点。
7.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，当该计算机可执行指令被执行时，实现如权利要求1~4任一项所述的基于图表示学习的多视角个体观点预测方法。
8.一种数据处理装置，包括如权利要求7所述的计算机可读存储介质，当该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令时，实现基于图表示学习的多视角个体观点预测。
