1.一种基于时序交互图神经网络的文本分类方法，其特征在于：所述基于时序交互图神经网络的文本分类方法包括如下步骤：获取文本数据以及所述文本数据对应的标签值，并将所述文本数据构建为自适应图结构数据，其中所述自适应图结构数据包括图节点集合和图有向边集合；

基于所述自适应距离权重算法对所述图节点集合和所述图有向边集合进行处理，得到输入特征矩阵；

将所述输入特征矩阵和所述标签值输入到时序交互图神经网络模型中，得到所述文本数据的总损失值；

基于所述总损失值、交叉熵损失函数和梯度下降算法对所述时序交互图神经网络模型的模型参数进行更新优化，得到训练文本分类模型；

获取待分类文本数据；

将所述待分类文本数据输入所述训练文本分类模型，得到文本分类结果；所述基于所述自适应距离权重算法对所述图节点集合和所述图有向边集合进行处理，得到输入特征矩阵的步骤，包括：根据所述图节点集合和所述图有向边集合，得到邻接矩阵和节点距离矩阵；

根据所述邻接矩阵得到单位矩阵；

基于自适应距离权重算法对所述节点距离矩阵进行处理，得到自适应距离权重矩阵；

根据第一可学习参数矩阵、第一可学习偏置项以及所述单位矩阵、所述自适应距离权重矩阵，得到输入特征矩阵；

其中，自适应距离权重矩阵由公式 得到的；wi,j是自适应距离权重矩阵中的第i行第j列元素，表示第i个单词与第j个单词的权重；di,j是节点距离矩阵中的第i行第j列元素，表示文本中第i个单词与第j个单词之间含有单词的数量加一；i表示邻接矩阵中的行号，n表示节点集中单词的数量；

其中，输入特征矩阵X＝WKO+hI+bh；

其中，O为第一可学习参数矩阵，I为单位矩阵，h为第一可学习参数项，bh为第一可学习偏置项，WK为相邻节点的自适应距离权重矩阵；

所述将所述输入特征矩阵和所述标签值输入到时序交互图神经网络模型中，得到所述文本数据的总损失值的步骤，包括：将所述输入特征矩阵输入时序交互图卷积网络，并根据所述邻接矩阵、所述单位矩阵和所述节点距离矩阵得到时序交互卷积状态矩阵；

将所述输入特征矩阵输入时序交互门控图神经网络，并根据所述邻接矩阵、所述单位矩阵和所述节点距离矩阵得到时序交互门控状态矩阵；

根据所述时序交互卷积状态矩阵和所述时序交互门控状态矩阵，得到增强特征矩阵；

根据所述增强特征矩阵、所述时序交互卷积状态矩阵和所述时序交互门控状态矩阵得到交互注意力；

根据所述交互注意力和所述标签值得到所述文本数据的总损失值；

所述将所述输入特征矩阵输入时序交互图卷积网络，并根据所述邻接矩阵、所述单位矩阵和所述节点距离矩阵得到时序交互卷积状态矩阵的步骤，包括：l l‑1 l

C＝φ(αCAC WC+βCSCWG+γC)；

i

其中， 为时序交互卷积缓存，C为历史网络层隐藏状态，l为时序交互图卷积网络迭l代的次数；C 为时序交互卷积状态矩阵，φ为tanh激活函数，A为对称归一化邻接矩阵，其中， D为节点距离矩阵， A为所述邻接矩阵，I为单位矩阵；αC为第一可学习参数项，βC为第二可学习参数项，λi为第三可学习参数项，WC为第二可学习参数矩阵，WG为第三可学习参数矩阵，γC为第二可学习偏置项；

所述将所述输入特征矩阵输入时序交互门控图神经网络，并根据所述邻接矩阵、所述单位矩阵和所述节点距离矩阵得到时序交互门控状态矩阵的步骤，包括：k k‑1

a＝At Wa；

k k k‑1

z＝σ(Wza+Uzt +bz)；

k k k‑1

r＝σ(Wra+Urt +br)；

k

其中，a 为借助对称归一化邻接矩阵得到的图特征聚合变量，σ表示Sigmoid函数，Wa为第四可学习参数矩阵,Wz为第五可学习参数矩阵,Uz为第六可学习参数矩阵,Wr为第七可学习参数矩阵,Ur为第八可学习参数矩阵,Wt为第九可学习参数矩阵,Ut为第十可学习参数矩阵，bz为第三可学习偏置项，br为第四可学习偏置项，bt第五可学习偏置项，为两个矩阵对应位置的元素相乘；αT为第四可学习参数项，βT为第五可学习参数项，ωj为第六可学习参数k k k项，WR为第十一可学习参数矩阵，θT第六可学习偏置项，t为内部状态，z为更新门，r为重置k k门， 为候选状态， 为时序交互门控缓存，t 为时序交互门控图神经网络内部状态，T 为时序交互门控状态矩阵；

所述根据所述时序交互卷积状态矩阵和所述时序交互门控状态矩阵，得到增强特征矩阵的步骤，包括：VA＝WAH+bA；

其中， 表示通过时序交互图卷积网络的网络层提取到的时序交互卷积状态矩阵的第i个特征向量， 表示通过时序交互门控图神经网络的网络层提取到的时序k交互门控状态矩阵T 的第i个特征向量，表示向量的拼接； 为拼接得的特征矩阵；WA为第十二可学习参数矩阵，bA为第七可学习偏置项，VA为增强特征矩阵；

其中，交互注意力 δ表

示Softmax函数，n为节点集中单词的数量，SA为交互注意力；

所述根据所述交互注意力和所述标签值得到所述文本数据的总损失值的步骤，包括：根据所述交互注意力得到全连接层隐藏特征；

根据所述全连接层隐藏特征计算得到分类概率；

根据所述分类概率和所述标签值得到所述文本数据的总损失值；

其中，所述全连接层隐藏特征p＝φ(SA)WM；

φ为激活函数，WM为第十三可学习参数矩阵，SA为交互注意力；

所述根据所述全连接层隐藏特征计算得到分类概率的步骤，包括：f＝δ(Wfg+bf)；

其中，g为图节点使用均值聚合后的图层次表示，v表示图节点集合中的某一具体节点，f为分类概率，δ为Softmax函数；bf为第七可学习偏置项、Wf为第十四可学习参数矩阵；

其中，所述总损失值

其中，y为所述文本数据的标签值。

2.根据权利要求1所述的基于时序交互图神经网络的文本分类方法，其特征在于，所述将所述文本数据构建为自适应图结构数据的步骤，包括：将所述文本数据中的每个单词作为图节点集合；

将所述单词之间的共现关系作为图有向边集合。

3.一种文本分类装置，其特征在于，所述文本分类装置包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的文本分类程序，所述文本分类程序被所述处理器执行时实现如权利要求1或2所述的文本分类方法的步骤。

4.一种计算机可读存储介质，其特征在于，所述介质上存储有文本分类程序，所述文本分类程序被处理器执行时实现如权利要求1或2所述的文本分类方法的步骤。