1.一种基于数据统计和知识指导的图拓扑学习方法，其特征在于，包括如下步骤：步骤1、接收输入的文本数据，获取文本数据中的实体作为图拓扑的节点，根据历史文本数据计算节点间的条件概率，构建初始图拓扑的邻接矩阵；

步骤2、基于领域知识图谱构建出每份文本数据的知识注意网络；

步骤3、将初始图拓扑的邻接矩阵输入到DK_Transformer模型中，并以知识注意网络为专家知识，联合注意力机制学习出适应下游任务的图拓扑。

2.根据权利要求1所述的基于数据统计和知识指导的图拓扑学习方法，其特征在于，所述步骤1具体包括：步骤1.1、接收输入样本量为N的文本数据D＝{d1，d2，...，dN}，获取每份文本数据d中的实体集合E＝{e1，e2，...，enum}，将其作为对应图拓扑的节点集合V＝{v1，v2，...，v|V|}，其中num为实体集合的个数，|V|为每个图拓扑的节点个数；若num＝|V|，则将全部实体作为图拓扑的节点；若num＞|V|，则删除节点索引大于|V|的实体；若num＜|V|，则将节点索引大于num而小于等于|V|的空节点用特殊编码填充；

步骤1.2、根据步骤1.1确定的图拓扑的节点集合V，基于所有文本数据D计算任意两个节点vi和vj(i，j＝1，2，..，|V|)的条件概率作为边权值aij，即vj在vi出现的条件下出现的概率p(vj|vi)，其计算公式为：获得基于条件概率的邻接矩阵P，表示为：

步骤1.3、将步骤1.2得到的邻接矩阵P进行归一化得到归一化邻接矩阵

3.根据权利要求2所述的基于数据统计和知识指导的图拓扑学习方法，其特征在于，所述步骤2具体包括：根据步骤1确定的图拓扑的节点集合V，从领域知识图谱中获取这些节点在该知识图谱中的连接关系，从而为每份文本数据d构建一个知识注意网络M，计算方法如下：其中，u为vi和vj共同祖先的个数，l为vi到vj的路径条数。

4.根据权利要求3所述的基于数据统计和知识指导的图拓扑学习方法，其特征在于，所述步骤3具体包括：步骤3.1、将步骤1确定的图拓扑的节点集合V进行向量嵌入，其中空节点的向量置0，得(0)到图中节点的初始特征矩阵X ；

步骤3.2、将步骤1和步骤3.1的结果，即图拓扑的归一化邻接矩阵 和图中节点的初始(0)特征矩阵X 输入到DK_Transformer模型的第一个block模块中进行学习；

步骤3.3、将步骤3.2的输出送入到DK_Transformer模型的n个block模块中，使用步骤2获得的知识注意网络M为专家知识，联合DK_Transformer模型的注意力矩阵S指导图拓扑学习，最终获得学习到的图拓扑的归一化邻接矩阵当n＝1时，

当n＞1时，

其中，softmax为归一化指数函数， 为DK_Transformer模型第n个block模块的注意力矩阵S； 和 分别表示DK_Transformer第n个block模块的Query向量和Key向量； 和 分别表示DK_Transformer第n个block模(n‑1)块中可学习的矩阵参数，X 为第n‑1个block模块中节点的特征矩阵；d是列的维度；

步骤3.4、计算DK_Transformer模型在图拓扑学习的损失Lreg：当n＝1时，

当n＞1时，

其中，DKL为KL散度， 矩阵为DK_Transformer第n个block模块输出的归一化邻接矩阵的微调矩阵，即标记知识注意网络M中非零值的位置索引，并在归一化邻接矩阵 的对应位置中保留这些非零值，从而形成微调矩阵步骤3.5、计算DK_Transformer模型下游任务的损失Lmain：其中，下游任务可为二分类任务，损失函数为二分类交叉熵，N为文本数据的总样本数，yi是第i个文本数据的标签，是第i个文本数据的预测结果；

步骤3.6、根据步骤3.4和步骤3.5的结果，综合计算DK_Transformer模型的总损失函数L：其中，通过正则化系数λ来平衡下游任务的损失Lmain和图拓扑学习的损失Lreg；

步骤3.7、最小化所述总损失函数L，更新网络参数直到达到最大迭代次数T，得到训练好的DK_Transformer模型；

步骤3.8、输入一条测试文本数据testd到训练好的DK_Transformer模型中，预测输出图拓扑的邻接矩阵 和下游任务的结果

5.一种基于数据统计和知识指导的图拓扑学习系统，其特征在于，包括：构建初始图拓扑的邻接矩阵模块，用于接收输入的文本数据，获取文本数据中的实体作为图拓扑的节点，根据历史文本数据计算节点间的条件概率，构建初始图拓扑的邻接矩阵；

构建知识注意网络模块，用于基于领域知识图谱构建出每份文本数据的知识注意网络；

图拓扑学习模块，用于将初始图拓扑的邻接矩阵输入到DK_Transformer模型中，并以知识注意网络为专家知识，联合注意力机制学习出适应下游任务的图拓扑。