1.一种基于图小波网络模型的文本分类方法，其特征在于，具体按照以下步骤实施：步骤1、对文本进行预处理；

步骤2、建立基于图小波网络模型并训练图小波网络模型；

步骤3、构建文本图，根据词与文档的关系，利用改进的TF-IDF算法建立文本图中词与文档的权重关系，根据词共现理论，利用PMI算法建立文本图中词与词之间的权重关系；

步骤4、将构建好的文本图，输入到图小波网络模型中，利用图小波卷积的局部化特性，捕获局部词共现信息，实现文本的分类。

2.根据权利要求1所述的一种基于图小波网络模型的文本分类方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、利用python中的正则化库，进行分词、清洗数据中存在的乱码及标点符号；

步骤1.2、导入python中的nltk库，加载库中停用词，去除语料库中的停用词。

3.根据权利要求1所述的一种基于图小波网络模型的文本分类方法，其特征在于，所述步骤2具体为，建立图小波网络模型并用监督学习方法对标签文本训练集进行训练，利用Adam和误差反向传播进行参数更新。

4.根据权利要求3所述的一种基于图小波网络模型的文本分类方法，其特征在于，所述步骤2中建立图小波网络模型具体为一个两层的神经网络，每层有20个图卷积核个数，图小波变换以一组小波为基Ψs＝(Ψs1，Ψs2，…，Ψsn)，因此，图信号x的图小波变换为图小波逆变换为 图小波卷积定义为：其中，Ψs＝UGsUT，Gs＝diag((g(sλ1)，…g(sλn)))， U为拉普拉斯的特征向量， 代表哈达玛积，令 则上式可以简化为：则图小波网络模型为：

其中，Ψs为小波基， 为图小波变换矩阵， 是对角滤波矩阵，h为非线性函数，参数l代表第l层神经元，本模型采用两层的图卷积神经网络，其中第一层非线性激活函数为Relu，第二层非线性激活函数为softmax，则模型可以简化为：其中，W(0)和W(1)为权重矩阵， A为邻接矩阵，IN为单位矩阵，为将中心节点本身视为邻接节点。

5.根据权利要求3所述的一种基于图小波网络模型的文本分类方法，其特征在于，所述步骤2中利用Adam和误差反向传播进行参数更新具体包括：Adam算法具体为，假设前向传播得到最后一层的损失为L，参数更新规则为：其中，α为学习步长，即学习率，ξ为1e-07； 和 为使用Adam优化算法时，偏差修正值，其计算公式如下：其中，β1为动量梯度下降法的超参数，β2为均方根传播中的超参数，t为迭代次数；

设l层损失值为L，线性输出值为Z，经过非线性函数之后输出值为A，代价函数的计算公式为：其中，Ygf代表有标签的文档索引，F为输出特征的维度，则反向传播规则为：其中，g'为非线性激活函数的导数，参数W为训练过程中需要根据损失值进行更新，通过反向传播规则，利用公式(5)的参数更新规则，从而完成参数的更新。

6.根据权利要求1所述的一种基于图小波网络模型的文本分类方法，其特征在于，所述步骤3具体按照以下步骤实施：设无向图G＝(V,E)，其中V代表所有节点的集合，E代表边的集合，用拉普拉斯矩阵L＝D-A表示图，其中A为邻接矩阵，代表两个节点之间的连接关系，D为度矩阵，代表每个节点与其他节点连接的个数，步骤3.1、根据语料库的特点，使用词与文档的关联构建无向文本图；在语料库中，节点V的数目为文档数加上文档中不重复出现的词的数目，根据词与文档的关系，如果词在该文档，则使用改进TF-IDF算法建立词与文档之间的权重关系；否则，词与文档之间的权重为0，改进TF-IDF算法具体计算公式为：其中，tfik指的是词i在文档k中出现的次数，N为总文档数，ni为出现词i的文档数，C为总类别数，ci为出现词i的类别数；

步骤3.2、根据词共现理论，采用PMI算法建立词与词之间的权重关系：其中，p(i,j)为词i和词j同时出现在同一窗口的概率，p(i)为词i出现在窗口中的概率，Nij为词i和词j出现在同一滑动窗口的数目，Ni为语料中包含词i的滑动窗口数目，N为语料中滑动窗口的总数目。