1.一种基于常识知识图谱的情感分析方法，其特征在于，包括以下步骤：

获取待测文本数据集，构建与所述待测文本数据集中若干个待测句子相关联的知识图谱子图，其中，所述知识图谱子图包括链接实体，以及与所述链接实体对应的摘要文本；

根据所述知识图谱子图以及预设的知识图谱嵌入模型，获取与所述知识图谱子图的链接实体相关联的知识图谱嵌入矩阵，其中，所述知识图谱嵌入矩阵包括若干个链接实体嵌入向量；

根据所述知识图谱子图以及预设的训练语言模型，获取与所述知识图谱子图中的摘要文本相关联的摘要特征向量矩阵，其中，所述摘要特征向量矩阵包括若干个摘要特征向量；

根据所述知识图谱嵌入矩阵、摘要特征向量矩阵以及预设的图卷积神经网络模型，对所述知识图谱子图中的链接实体进行更新，获取更新后的所述链接实体的表达特征向量，作为常识特征向量；

获取与所述待测文本数据集相关联的情感特征向量，将所述情感特征向量与常识特征向量进行拼接，作为情感分析特征向量，根据所述情感分析特征向量以及预设的情感分析算法，获取所述待测文本数据集的情感分析结果。

2.根据权利要求1所述的基于常识知识图谱的情感分析方法，其特征在于：所述待测句子包括上文、与所述链接实体相关联的属性词以及下文，所述知识图谱子图还包括与所述待测句子相关联的各个链接实体彼此的连接关系，所述链接实体包括头链接实体以及尾链接实体。

3.根据权利要求2所述的基于常识知识图谱的情感分析方法，其特征在于，所述构建与所述待测文本数据集中若干个待测句子相关联的知识图谱子图，包括步骤：根据所述待测句子中的上文、属性词、下文以及预设的双向编码器，获取与所述属性词相关联的属性特征向量；

根据所述属性特征向量以及预设的知识图谱匹配池，从所述知识图谱匹配池中获取与所述待测句子相关联的链接实体，以及与所述链接实体对应的摘要文本，构建与所述待测句子相关联的知识图谱子图。

4.根据权利要求3所述的基于常识知识图谱的情感分析方法，其特征在于，所述根据所述知识图谱子图以及预设的知识图谱嵌入模型，获取与所述知识图谱子图的链接实体相关联的知识图谱嵌入矩阵，包括步骤：根据所述连接关系以及所述知识图谱嵌入模型，构建与所述知识图谱子图相关联的知识图谱关系矩阵；

根据所述头链接实体、连接关系、尾链接实体在所述知识图谱嵌入矩阵以及知识图谱关系矩阵中的索引，构建与所述知识图谱子图相关联的第一知识图谱集合组以及第二知识图谱集合组，所述第一知识图谱集合组为：式中，为所述第一知识图谱集合组中的头链接实体在所述知识图谱嵌入矩阵 中的索引序号， 为所述第与知识图谱集合组中的连接关系在所述知识图谱关系矩阵 中的索引序号，为所述第一知识图谱集合组中的尾链接实体在所述知识图谱嵌入矩阵 中的索引序号；

所述第二知识图谱集合组为：

式中， 为所述第二知识图谱集合组中的头链接实体在所述知识图谱嵌入矩阵 中的索引序号， 为所述第二知识图谱集合组中的连接关系在所述知识图谱关系矩阵 中的索引序号， 为所述第二知识图谱集合组中的尾链接实体在所述知识图谱嵌入矩阵中的索引序号；

采用梯度下降方法，根据第一知识图谱集合组、第二知识图谱集合组以及预设的损失函数，对所述知识图谱嵌入矩阵、知识图谱关系矩阵进行更新，获取更新后的知识图谱嵌入矩阵，其中，所述损失函数为：式中， 为所述损失函数， 为知识图谱嵌入目标函数。

5.根据权利要求4所述的基于常识知识图谱的情感分析方法，其特征在于，所述根据所述知识图谱嵌入矩阵、摘要特征向量矩阵以及预设的图卷积神经网络模型，对所述知识图谱子图中的链接实体进行更新，获取更新后的所述链接实体的表达特征向量，作为常识特征向量之前，包括步骤：根据所述知识图谱嵌入矩阵、摘要特征向量矩阵以及预设的标准化算法，获取标准化处理后的知识图谱嵌入矩阵以及摘要特征向量矩阵，其中，所述标准化算法为：式中， 为所述摘要特征向量矩阵， 为所述标准化处理后的摘要特征向量矩阵，为所述知识图谱嵌入矩阵， 为所述标准化处理后的知识图谱嵌入矩阵， 为数学期望函数， 为方差计算函数，为正数。

6.根据权利要求5所述的基于常识知识图谱的情感分析方法，其特征在于，所述根据所述知识图谱嵌入矩阵、摘要特征向量矩阵以及预设的图卷积神经网络模型，对所述知识图谱子图中的链接实体进行更新，获取更新后的所述链接实体的表达特征向量，作为常识特征向量，包括步骤：将所述标准化处理后的知识图谱嵌入矩阵以及摘要特征向量矩阵进行拼接，作为输入特征向量输入至所述图卷积神经网络模型；

构建目标邻接矩阵，所述目标邻接矩阵包括若干个目标邻接向量；根据所述输入特征向量、目标邻接矩阵以及实体更新算法，对所述知识图谱子图中的链接实体进行更新，获取更新后的所述链接实体的表达特征向量，作为常识特征向量，其中，所述实体更新算法为：式中， 为所述常识特征向量，为所述目标邻接矩阵的行数， 为所述目标邻接矩阵的目标邻接向量， 为所述图卷积神经网络模型中第k层网络的权重更新参数， 为第j个链接实体在图卷积神经网络模型中第k层的节点的输入特征向量， 为所述第j个链接实体在图卷积神经网络模型中第k层的节点的权重更新偏置项。

7.根据权利要求1所述的基于常识知识图谱的情感分析方法，其特征在于，所述根据所述情感分析特征向量以及预设的情感分析算法，获取所述待测文本数据集的情感分析结果，包括步骤：将所述情感分析特征输入至所述情感分析算法中，获取情感分类极性概率分布向量，其中，所述情感分析算法为：式中，为所述情感分类极性概率分布向量， 为归一化指数函数， 为单

层感知机的权重更新参数， 为单层感知机的权重更新偏置项，为所述情感分析特征；

根据所述情感分类极性概率分布向量，获取概率最大的维度对应的情感极性，将所述情感极性作为所述待测文本数据集的情感分析结果，其中，所述情感极性包括积极、中性以及消极。

8.一种基于常识知识图谱的情感分析装置，其特征在于，包括：

获取模块，用于获取待测文本数据集，构建与所述待测文本数据集中若干个待测句子相关联的知识图谱子图，其中，所述知识图谱子图包括链接实体，以及与所述链接实体对应的摘要文本；

知识图谱嵌入矩阵构建模块，用于根据所述知识图谱子图以及预设的知识图谱嵌入模型，获取与所述知识图谱子图的链接实体相关联的知识图谱嵌入矩阵，其中，所述知识图谱嵌入矩阵包括若干个链接实体嵌入向量；

摘要特征向量矩阵构建模块，用于根据所述知识图谱子图以及预设的训练语言模型，获取与所述摘要文本相关联的摘要特征向量矩阵，其中，所述摘要特征向量矩阵包括若干个摘要特征向量；

常识特征向量获取模块，用于根据所述知识图谱嵌入矩阵、摘要特征向量矩阵以及预设的图卷积神经网络模型，对所述知识图谱子图中的链接实体进行更新，获取更新后的所述链接实体的表达特征向量，作为常识特征向量；

情感分析模块，用于获取与所述待测文本数据集相关联的情感特征向量，将所述情感特征向量与常识特征向量进行拼接，作为情感分析特征向量，根据所述情感分析特征向量以及预设的情感分析算法，获取所述待测文本数据集的情感分析结果。

9.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于常识知识图谱的情感分析方法的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于常识知识图谱的情感分析方法的步骤。