1.一种表情包分类识别方法，其特征在于，包括以下步骤：

获得待测表情包的文本数据、若干个类别的演示表情包的文本数据、标签数据以及预设的表情包分类识别模型，其中，所述表情包分类识别模型包括编码模块、特征提取模块、特征处理模块以及分类识别模块；

将所述待测表情包的文本数据、若干个类别的演示表情包的文本数据以及标签数据输入至所述编码模块中进行编码处理，获得所述待测表情包的文本编码表示、若干个类别的所述演示表情包的文本编码表示以及标签编码表示；

将所述待测表情包的文本编码表示、若干个类别的所述演示表情包的文本编码表示以及标签编码表示输入至所述特征提取模块中进行特征提取，获得所述待测表情包的文本特征表示、若干个类别的所述演示表情包的文本特征表示以及标签特征表示；

将所述待测表情包的文本特征表示、若干个类别的所述演示表情包的文本特征表示以及标签特征表示输入至所述特征处理模块中进行信息感知，获得若干个类别的信息感知特征表示，对若干个类别的所述信息感知特征表示进行特征融合，获得特征融合表示；

将所述待测表情包的文本特征表示、若干个类别的信息感知特征表示以及特征融合表示输入至所述分类识别进行分类识别，获得分类识别预测概率数据，根据所述分类识别预测概率向量，获得所述分类识别预测概率数据中维度最大的目标分类识别预测概率向量，将所述目标分类识别预测概率向量的分类类型作为所述待测表情包的分类识别结果。

2.根据权利要求1所述的表情包分类识别方法，其特征在于：所述类型包括积极类别以及消极类别，所述特征提取模块包括积极类别相应的全连接网络以及消极类别相应的全连接网络；

所述将所述待测表情包的文本特征表示以及若干个类别的所述演示表情包的文本特征表示输入至所述特征提取模块中进行全连接处理，获得若干个类别的信息感知特征表示，包括步骤：构建所述待测表情包的文本数据的掩码数据，对所述待测表情包的文本数据的掩码数据进行编码处理以及特征提取处理，获得所述待测表情包的掩码特征表示；

将所述待测表情包的文本特征表示、掩码特征表示、积极类别相应的演示表情包的文本特征表示以及标签特征表示输入至所述积极类别相应的全连接网络中，根据预设的第一信息感知特征提取，获得积极类别相应的信息感知特征表示，其中，所述第一信息感知特征提取为：式中，

将所述待测表情包的文本特征表示、掩码特征表示、消极类别的演示表情包的文本特征表示以及标签特征表示输入至所述消极类别相应的全连接网络中，根据预设的第二信息感知特征提取，获得消极类别相应的信息感知特征表示，其中，所述第二信息感知特征提取为：式中，

3.根据权利要求2所述的表情包分类识别方法，其特征在于，所述对若干个类别的所述信息感知特征表示进行特征融合，获得特征融合表示，包括步骤：采用软门机制，根据积极类别相应的所述信息感知特征表示、消极类别的所述信息感知特征表示以及预设的特征融合算法，获得所述特征融合表示，其中，所述特征融合算法为：式中，

4.根据权利要求3所述的表情包分类识别方法，其特征在于，所述将所述待测表情包的文本特征表示、若干个类别的信息感知特征表示以及特征融合表示输入至所述分类识别进行分类识别，获得分类识别预测概率数据，包括步骤：根据所述待测表情包的文本特征表示、积极类别相应的信息感知特征表示、消极类别的信息感知特征表示、特征融合表示以及预设的分类识别预测概率计算算法，获得所述分类识别预测概率数据，其中，所述分类识别预测概率计算算法为：式中，

5.根据权利要求1或4所述的表情包分类识别方法，其特征在于，所述获得待测表情包的文本数据、若干个类别的演示表情包的文本数据以及预设的表情包分类识别模型之前，还包括步骤：训练表情包分类识别模型，所述训练表情包分类识别模型，包括步骤：获得若干个样本表情包的文本数据以及掩码数据，将所述若干个样本表情包的文本数据以及掩码数据输入至初始表情包分类识别模型中进行编码处理以及特征提取，获得若干个所述样本表情包的掩码特征表示；

获得若干个所述样本表情包的类别信息，根据所述类别信息，将相同类别的若干个所述样本表情包作为正例，不同类别的若干个所述样本表情包作为负例，采用对比学习法，根据若干个所述样本表情包的掩码特征表示以及预设的第一对比学习损失函数，获得第一损失值，根据所述第一损失值，对所述初始表情包分类识别模型进行训练，其中，所述第一对比学习损失函数为：式中，

6.根据权利要求5所述的表情包分类识别方法，其特征在于，所述训练表情包分类识别模型，包括步骤：获得若干个类别的演示表情包的标签数据，将若干个类别的所述演示表情包的标签数据输入至初始表情包分类识别模型中进行编码处理以及特征提取，获得若干个类别的所述演示表情包的标签特征表示；

根据若干个类别的演示表情包的标签数据，获得若干个类别的演示表情包的类别信息，将相同类别的若干个所述样本表情包以及若干个所述演示表情包作为正例，不同类别的若干个所述样本表情包以及若干个演示表情包作为负例，采用对比学习法，根据若干个所述样本表情包的掩码特征表示、若干个类别的演示表情包的标签特征表示以及预设的第二对比学习损失函数，获得第二损失值，根据所述第二损失值，对所述初始表情包分类识别模型进行训练，其中，所述第二对比学习损失函数为：式中，

7.根据权利要求6所述的表情包分类识别方法，其特征在于，所述训练表情包分类识别模型，还包括步骤：获得若干个所述样本表情包的分类识别预测概率数据以及真实分类识别结果，根据所述分类识别预测概率数据，获得若干个所述样本表情包的预测分类识别结果，采用交叉熵学习法，根据若干个所述样本表情包的分类识别预测概率数据、预测分类识别结果、真实分类识别结果以及预设的交叉熵损失函数，获得第三损失值，其中，所述交叉熵损失函数为：式中，

根据所述第一损失值、第二损失值、第三损失值以及预设的总损失函数，获得总损失值，根据所述总损失值，对所述初始表情包分类识别模型进行训练，获得所述表情包分类识别模型，其中，所述总损失函数为：式中，

8.一种表情包分类识别装置，其特征在于，包括：

数据获取模块，用于获得待测表情包的文本数据、若干个类别的演示表情包的文本数据、标签数据以及预设的表情包分类识别模型，其中，所述表情包分类识别模型包括编码模块、特征提取模块、特征处理模块以及分类识别模块；

数据编码模块，用于将所述待测表情包的文本数据、若干个类别的演示表情包的文本数据以及标签数据输入至所述编码模块中进行编码处理，获得所述待测表情包的文本编码表示、若干个类别的所述演示表情包的文本编码表示以及标签编码表示；

数据特征提取模块，用于将所述待测表情包的文本编码表示、若干个类别的所述演示表情包的文本编码表示以及标签编码表示输入至所述特征提取模块中进行特征提取，获得所述待测表情包的文本特征表示、若干个类别的所述演示表情包的文本特征表示以及标签特征表示；

数据特征处理模块，用于将所述待测表情包的文本特征表示、若干个类别的所述演示表情包的文本特征表示以及标签特征表示输入至所述特征处理模块中进行信息感知，获得若干个类别的信息感知特征表示，对若干个类别的所述信息感知特征表示进行特征融合，获得特征融合表示；

表情包分类识别模块，用于将所述待测表情包的文本特征表示、若干个类别的信息感知特征表示以及特征融合表示输入至所述分类识别进行分类识别，获得分类识别预测概率数据，根据所述分类识别预测概率向量，获得所述分类识别预测概率数据中维度最大的目标分类识别预测概率向量，将所述目标分类识别预测概率向量的分类类型作为所述待测表情包的分类识别结果。

9.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的表情包分类识别方法的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的表情包分类识别方法的步骤。