1.基于依赖树的方面级情感分析交互卷积网络，包括输入编码层，其特征在于，还包括注意力层、依赖树层、图卷积层、交互网络层、以及输出层，所述输入编码层，用于接收外部输入的句子单词表示s，生成句子隐藏状态向量表示H和关于方面词的上下文隐藏状态向量表示C；

所述注意力层，用于计算出方面词隐藏状态向量表示Ha的注意力分数aspatt和句子隐藏状态向量表示H的自注意力分数selfatt；

所述依赖树层，用于根据句子单词表示生成依赖树，并获得对应的句法结构图表示synd ，将依赖树按照语法距离分隔获得句法结构子图表示syn

所述图卷积层，用于根据d 和selfatt，利用Att‑GCN模型计算输出Ad；根据和aspatt，利用Att‑GCN模型计算输出{Ad1,Ad2,Ad3}；

所述交互网络层，用于将Ad、Ad1、Ad2、Ad3输入到Att‑GCN网络进行交互操作，获得输出以及 计算最终方面词表示的输出 将 和C进行平均池化后进行交互获得输出 将 和Aasp进行平均池化后进行交互获得输出其中，[；]代表横向维度上的拼接；

所述输出层，用于根据 和 进行拼接操作，再进行分类获得分类概率{α1,α2,α

3}，

所述Att‑GCN模型基于以下公式：

d syn

H＝GCN(H,D )

d syn

其中，H 代表句子隐藏状态向量表示H和相关句法结构图表示D 经过图卷积神经网络GCN处理之后的中间向量矩阵，相关句法结构图表示 相关注意力分数att∈{selfatt，aspatt}， 表示向量矩阵的相乘，所述Att‑GCN网络基于以下公式：

其中： 分别为第l层Att‑GCN网络的四个输入，分别是第l层Att‑GCN网络的四个输入对应的四个输出，也即第l+1层Att‑GCN网络的四个输入，对于第1层Att‑GCN网络的四个输入 分别为Ad、Ad1、Ad2、Ad3，Wl为第l层Att‑GCN网络的权重参数向量矩阵，bl为第l层Att‑GCN网络的偏置项向量矩阵，d代表句子向量表示的维数，

T代表着向量矩阵的转置操作，

最后一层ATT‑GCN网络的输出分别记为 z表示最后一层ATT‑GCN的序号。

2.根据权利要求1所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述输入编码层根据句子单词表示s生成句子向量表示x，基于以下公式计算句子隐藏状态向量表示H中对应的第i个单词隐藏状态向量hi：其中，i代表序号，xi代表句子向量表示x中的第i个句子单词向量， 代表不同处理数据方向的单向门控循环神经网络GRU， 和 代表xi经过 和 处理后的单词隐藏状态向量，关于方面词的上下文隐藏状态向量表示C基于以下公式：C＝unmask(H)

其中，unmask函数是将句子隐藏状态向量集合H中的方面词对应的单词隐藏状态向量进行置0操作。

3.根据权利要求2所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述方面词隐藏状态向量表示Ha的注意力分数aspatt基于以下公式计算：Ha＝mask(H)

其中，Ha代表方面词隐藏状态向量表示，H代表着句子隐藏状态向量表示，T代表着向量矩阵的转置操作，softmax()代表归一化指数函数，dw表示H的横向维度，mask函数将方面词的上下文隐藏状态向量进行置0。

4.根据权利要求3所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述句子隐藏状态向量表示H的自注意力分数selfatt基于以下公式：

5.根据权利要求4所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述输出Ad基于以下步骤获得：syn syn syn

将D 选择为d ，att选择selfatt，将句子隐藏状态向量表示H和D 输入到Att‑GCN模型中，输出ad作为输出Ad；

所述输出{Ad1,Ad2,Ad3}基于以下步骤获得：syn syn

D 遍历选择为 att选择aspatt，将句子隐藏状态向量表示H和D 输入到Att‑GCN模型中，对应的三个输出ad分别作为输出{Ad1,Ad2,Ad3}。

6.根据权利要求5所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述交互网络层中平均池化后的交互基于以下公式：c

其中，f是关于方面词的上下文隐藏状态向量表示C的平均池化后的输出， 是输出Ad的平均池化后的输出， 是最终方面词表示的输出Aasp的平均池化后的输出。

7.根据权利要求6所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述分类概率{α1,α2,α3}基于以下公式获得：out′＝softmax(Linear(out))output＝out′

sfotmax()代表归一化指数函数，Linear()代表线性函数；

out为拼接后的输出；

out′为最终的输出；

output为各个标签的分类概率{α1,α2,α3}，其中，α1,α2,α3∈[0,1]，α1+α2+α3＝1。

8.根据权利要求7所述基于依赖树的方面级情感分析交互卷积网络，其特征在于，所述ATT‑GCN网络的损失函数L(p(y),q(y))基于以下公式：其中，p(y)为样本真实分布，即句子单词表示中标注的数据标签；

q(y)为样本预测分布，即样本数据y的各个标签的分类概率output；

∑代表着求和，y代表输入的样本数据，即句子向量表示x，λ为正则化参数；

代表加入的L2正则化公式，θ代表Att‑GCN网络中学习参数。