1.一种基于正则约束的图神经网络文本分类方法，其特征在于：包括以下步骤：构图：采用TextING的构图方法构图，添加语义边和语法边，并定义不同边的类型，初始化边类型特征Ec，输入图神经网络中进行训练；

基于图神经网络进行单词交互：采用带多样正则约束的GAT为邻域结点分配不同注意力权重来过滤边噪声信息，引导注意力分数分布减少重叠；

文本表示：通过最大池化和平均池化将单词结点特征聚合为篇章表示，根据篇章表示获得文本的分类结果，并定义损失函数来约束结点特征的更新过程；

在所述构图中，具体包括：

S11：在仅由邻接关系构建的文本图G＝(V,E)基础上添加语义边来捕获单词与主题词相关的高阶相关性，首先使用主题生成模型(Latent Dirichlet Allocation,LDA)从文本中挖掘潜在主题T，对于每个主题Ti＝(θ1,…θv)用单词上的概率分布来表示，其中v表示单词数量，连接文本样本中概率最大的前N个单词及其对应主题Ti，得到主题相关的边；

S12：采用SpaCy建模文本序列中单词间的句法关系，若单词间存在句法关系，则为它们建立语法边；

S13：对不同类型的边进行定义，包括邻接边、语义边、邻接‑语义边、语法边、邻接‑语法边、语义‑语法边、邻接‑语义‑语法边七种边类型，分别定义为边1、边2、边3、边4、边5、边6、边7，并将其初始化为七种不同的边类型特征Ec；

所述基于图神经网络进行单词交互，具体包括：使用基于多样正则项的多头注意力为邻域结点分配不同注意力权重来过滤噪声信息；对于每一个文本输入h＝{h1,h2,…,hV}，d d×d(hV∈R)，d是每个结点的特征维数，对每个结点应用一个共享的线性变换W1∈R 和注意力，注意力系数eij由下式所得：

2d′

其中，权重向量a∈R ，T表示转置，||表示向量拼接操作；

采用Softmax函数对系数进行归一化，注意力分数αij为：将注意力分数与结点特征线性组合，作为每个结点的最终输出特征；

将单个注意力头拓展为多头注意力，将K个注意力头的输出拼接起来作为多头注意力的输出：融合边类型后，多头注意力公式更新为：

在注意力头之间使用多样正则项鼓励注意力分数分布减少重叠，使注意力头捕获更多不同信息，多样正则项如下：式中||·||2代表L2范数；

所述文本表示具体包括：

充分更新单词结点信息后，对结点特征进行平均池化和最大池化，将其聚合为文本表示，产生最终的预测：将池化后的特征传入Softmax层预测文本标签：最后，通过将目标损失函数降至最低来约束结点特征的更新过程：式中，λ是正则项系数。