1.一种基于卷积神经网络的方面级情感分析方法，其特征在于，包括建立方面级情感分析模型，通过该模型构建方面级信息在文本中的相对位置矩阵，并将其与文本编码进行融合，对关联矩阵中方面级信息所对应的部分关联矩阵进行抽取，对于由多单词组成的方面级信息再进行均值化处理，将其作为最终的文本与方面信息之间的评分矩阵，其中，方面级情感分析模型包括词嵌入模块、相对位置编码模块、方面级注意力模块和情感分类模块：词嵌入模块对输入的语句和待分析的方面级别信息进行编码，并将文本转变成计算机语言；

相对位置编码模块根据待预测的方面级别信息在文本中的相对位置进行编码，并将相对位置编码和词嵌入模块所得到的文本编码进行加权处理；

方面级注意力模块通过注意力机制对方面级信息的编码和经过相对位置模块处理后的文本编码进行处理，以此得到文本中所有单词对于方面级信息情感提取的优先矩阵，并将其加权融入到文本编码中；

情感分类模块通过多层的卷积神经网络将文本信息和方面级信息进行融合处理，通过卷积神经网络中所包括的Softmax层对方面级信息的情感进行分类，进而得出情感结果；方面级情感分析模型包括以下分析步骤：S1，输入文本，通过词嵌入模块对输入文本的每个单词进行词嵌入处理，得出文本中的词向量、方面级信息及其对应编码a；设定待预测的方面级信息；

S2，根据待预测的方面级信息对文本中的相对位置进行编码，同时通过相对位置编码函数对输入文本的词向量进行加权处理；

S3，在方面级注意力模块中对矩阵中的参数进行随机初始化，而后开始训练矩阵，最后通过Softmax函数得到注意力矩阵；其中，对于含有多个单词的方面级信息，对其进行均值化处理，得出文本中所有单词对于方面信息的评分矩阵，而后将相对位置层处理后的文本编码与评分矩阵进行加权处理，得到融合了评分矩阵的文本编码M；

S4，通过不同大小的卷积核对文本编码M和方面级信息编码进行深度特征的提取，其中，文本编码卷积后的结果通过函数tanh进行非线性化处理，而方面级信息卷积后的结果使用函数relu进行非线性化处理；S1中设定输入文本为 文本的词向量为 其中，n代表文本中包含的单词数量；de代表词向量的维度；方面级信息表示为：

其中，m代表文本中包含的方面级信息的数量；

设定待预测的方面级信息为 通过词嵌入处理后得到

其中，k代表待预测方面级信息所包含的单词数量；S2中的相对位置编码函数为：

其中， 是第i个单词在文本中的位置，pal是方面级信息最左边单词在文本中的位置，par是方面级信息最右边单词在文本中的位置， 是单词 在文本中的相对位置编码值。

2.根据权利要求1所述的基于卷积神经网络的方面级情感分析方法，其特征在于，S2中相对位置编码函数对输入文本的词向量进行加权处理，该加权处理过程包括加权公式：其中，hi为输入单词经过相对位置编码模块编码后的输出，该相对位置编码模块的输出为

3.根据权利要求2所述的基于卷积神经网络的方面级情感分析方法，其特征在于，S3中对矩阵中的参数进行随机初始化过程包括以下初始化公式：其中， 是和x相同维度的注意力矩阵, 是模型参数,在训练开始前对参数矩阵随机初始化，dk是x的维度大小；

Softmax函数公式为：

S(x)＝score(x,a)＝mean(F(At,index(a,x)))其中，F(·)是一个矩阵切片操作函数,index(a,x)是方面级信息在文本中的索引位置。

4.根据权利要求2或3所述的基于卷积神经网络的方面级情感分析方法，其特征在于，S3中对于含有多个单词的方面级信息通过mean(·)函数进行均值化处理，而后融合评分矩阵的文本编码M的融合公式为：M＝W(H*score(x,a))+b其中，W和b分别是权值矩阵和偏置矩阵，方面级注意力模块的输出