1.一种基于图卷积神经网络与词向量的节点分类方法，其特征在于，包括以下步骤：步骤1、将图中节点表示为文本，构建文本数据集，对所述文本数据集中文本进行分词；

步骤2、使用Word2Vec模型对分词后的文本进行词向量表示；

步骤3、通过数据集内节点与边的信息，得到对应图的标准化邻接矩阵、标准化Laplacian矩阵，利用所述标准化邻接矩阵、标准化Laplacian矩阵赋权求和结果表示图的结构信息；

步骤4、以所述词向量表示节点的特征，与图的结构信息相结合作为GCN图卷积神经网络的输入，得到节点的向量嵌入；

步骤5、将所述节点的向量嵌入输入多层感知机进行节点分类操作，得到分类结果。

2.根据权利要求1所述的一种基于图卷积神经网络与词向量的节点分类方法，其特征在于，步骤1中使用Stanford CoreNLP对所述文本数据集中文本进行分词。

3.根据权利要求1所述的一种基于图卷积神经网络与词向量的节点分类方法，其特征在于，步骤3中所述标准化邻接矩阵、标准化Laplacian矩阵赋权求和结果通过结合矩阵N表示：

N＝λadj+(1‑λ)L

上式中，λ的值为预设参数，adj表示标准化邻接矩阵，L代表标准化Laplacian矩阵。

4.根据权利要求1所述的一种基于图卷积神经网络与词向量的节点分类方法，其特征在于，还包括，步骤6、设置评价指标对分类结果进行评价。

5.根据权利要求1所述的一种基于图卷积神经网络与词向量的节点分类方法，其特征在于，步骤6中通过混淆矩阵来衡量对图中节点的分类效果，得到评价结果。