1.一种融合多特征的双向循环神经网络细粒度意见挖掘方法，其特征在于，包括以下步骤：S1)、抓取特定网站的评论数据作为训练样本集；

S2)、通过人工标注训练样本集中每条评论数据中所需要的属性或实体，根据人工标注结果使用实体标记方法(BIO)标记每条评论数据的属性或实体后，并进行情感极性标注，即(B1,I1,O)表示评论数据的情感极性为正面，(B2,I2,O)表示评论数据的情感极性为负面，(B3,I3,O)表示评论数据的情感极性为中性，从而得到评论数据中每个词的7个情感极性标记分类结果，即 其中，B、I、O分别表示实体的开始、内部、外部；

S3)、对训练样本集进行分词，词性标注和依存关系标注等预处理；

S4)、选取一个汉语的维基百科语料库，并对其进行分词，词性标注和依存关系标注等预处理，使用Word2Vec或Glove模型算法，输入预处理后的训练样本集与预处理后的维基百科语料库，训练输出评论数据与维基百科语料库中每个词的词向量Vec_Model；

S5)、将预处理后的训练样本集中的每一条评论数据转化为序列X＝{x1,x2,…,xn}，其中，xi表示该条评论数据的第i个词，并将序列X＝{x1,x2,…,xn}对应的词性标注(Part-of-Speech)序列记为P＝{p1,p2,…,pn}，其中，pi表示xi的词性，以及对应的依存关系标注(Dependency Relation)序列记为D＝{d1,d2,…,dn}，依存关系对记为R＝{r1,r2,…,rn}，其中，ri表示任意2个词的依存关系，对于每一条评论数据，在t时刻，任意词xt、词性标注dt、依存关系标注pt、依存关系对rt四个特征向量化后融合拼接得到向量S6)、将向量 输入双向循环神经网络构建得到双向循

环神经网络序列标注模型，其网络的前后向隐藏层的循环计算为：

将前、后向隐藏层 接入到输出层，最后接一个激活函数得到预测值yt，即其中，N为词向量纬度，N1为依存关系种类个数，N2为词性标签种类个数，U为权重矩阵， c为偏置；

S7)、将预测值yi与真实值 通过计算交叉熵作为损失函数loss，从而最小化损失函数值，其计算式为：其中，i表示每条评论数据中每个词的索引，j表示每条评论数据的7类情感极性标记分类的索引；

并通过梯度下降算法更新网络中的权重矩阵 U和偏置 c，然后依

据更新后的权重矩阵 U和偏置 c重新计算上述损失函数loss的值，

重复迭代多次直至损失函数loss的值不再减小，从而得到训练好的双向循环神经网络细粒度意见挖掘模型；

S8)、获取新的评论数据作为测试语料集，并对测试语料集按照步骤S2-S5进行相应的处理后输入步骤S7)中训练好的双向循环神经网络序列标注模型，对测试语料集进行情感极性分类。

2.根据权利要求1所述的一种融合多特征的双向循环神经网络细粒度意见挖掘方法，其特征在于：步骤S4)中，在t时刻，词性标注dt、依存关系标注pt向量化采用One-Hot模型，若依存关系对rt＝(xt,xj)，取xt的词向量