1.一种基于半监督的图神经网络的案件争议焦点识别方法，其特征在于，包括以下步骤：将待识别的案件诉辩陈述数据进行中文数据预处理，得到法律文本相关的句子；

将法律知识图谱三元组融入到句子中，对句子进行分词处理，并将分词处理后的单词与文本分别作为节点构建出第一文本图；

采用图卷积网络与个人页面排名算法迭代计算出所述第一文本图中每个单词节点对于文本节点的重要程度，并根据重要程度排序获得关键单词节点；将获取到的关键单词节点通过词嵌入求和得到关键文本节点，并将关键单词节点与关键文本节点构建出关键文本图；

所述采用图卷积网络与个人页面排名算法迭代计算出所述第一文本图中每个单词节点对于文本节点的重要程度，并根据重要程度排序获得关键单词包括：将第一文本图输入到图卷积网络中，计算出第一文本图损失；

使用个人页面排名算法计算出第一文本图中单词节点对于文本节点的重要程度，并将其作为文本节点与单词节点的边，将边权重也即重要程度大于第一阈值的单词节点作为第一关键单词节点；

将第一关键单词节点构成的第一关键文本图输入到图卷积网络中，计算出第一关键文本图损失，与所述第一文本图损失作差值，若该差值大于设定的第一损失差阈值，则降低第一阈值，增加关键单词节点数量，更新第一关键单词节点，继续将更新后的第一关键单词节点构成的第一关键文本图输入图卷积网络，迭代直至收敛，将最终的第一关键单词节点作为第二关键单词输出；若该差值小于或等于设定的第一损失差阈值，则直接将第一关键单词作为第二关键单词输出；

构建出第一关键文本图的过程包括：

将第一关键单词节点通过词嵌入求和组合为第一关键文本节点，使用个人页面排名算法计算出重要程度作为第一关键单词节点与第一关键文本节点的边，使用逐点互信息法对筛选后的第一关键单词之间的逐点互信息作为第一关键单词节点与第一关键单词节点的边，使用第一关键单词节点、第一关键文本节点以及对应的关系构建第一关键文本图；

所述个人页面排名算法所采用的公式表示为：

其中，S(Vi)为单词节点Vi的重要程度，In(Vi)为单词节点Vi的前驱节点集合，Out(Vj)为单词节点Vi的后继节点集合，d为阻尼系数，用于收敛；

将关键文本图输入到基于图注意力网络的争议焦点识别模块中，输出案件争议焦点；

具体为：

使用关键单词节点、关键文本节点构成关键文本图，将关键文本图作为图注意力网络的输入，图注意力网络通过图注意力机制对邻居节点赋权，实现有权重的提取邻居节点即关键单词节点的重要特征信息，聚和出关键文本节点新的特征信息，将图注意力网络输出的关键文本节点特征信息输入到全连接层，使用sigmod函数激活输出每个标签的概率值，将大于等于阈值的标签预测为该标签存在争议焦点，小于该阈值的标签预测为不是争议焦点。

2.根据权利要求1所述的一种基于半监督的图神经网络的案件争议焦点识别方法，其特征在于，所述中文数据预处理包括：按照预先定义的争议焦点标签体系将所述数据整理为诉辩内容和标签集的格式，对整理后的重复数据、短数据进行删除处理；并删除文本中的乱码、和英文字符，去除无实际意义的停用词。

3.根据权利要求1所述的一种基于半监督的图神经网络的案件争议焦点识别方法，其特征在于，所述将法律知识图谱三元组融入到句子中包括：将待识别的案件诉辩陈述数据与法律知识图谱三元组转换为带有知识的句子；通过知识查询从法律知识图谱中找出句子中所有实体所涉及到的三元组，通过知识注入将三元组集合加到句子中。

4.根据权利要求1所述的基于半监督的图神经网络的案件争议焦点识别方法，其特征在于，降低第一阈值所采用的公式表示为：LG＝LG0‑0.1*step

其中，LG表示降低后的第一阈值，LG0为初始设置的第一阈值，step为衰减系数。

5.一种基于半监督的图神经网络的案件争议焦点识别装置，其应用于如权利要求1～4中任一项所述的一种基于半监督的图神经网络的案件争议焦点识别方法，其特征在于，所述装置包括数据获取模块、数据处理模块、关键文本单词筛选模块和争议焦点分类预测模块；

所述数据获取模块用于获取待识别的案件诉辩陈述数据；

所述数据处理模块用于进行中文数据预处理，得到法律文本相关的句子；

所述关键文本筛选模块用于将法律知识图谱三元组融入到句子中，对句子进行分词处理，并将分词处理后的单词与文本分别作为节点构建出第一文本图；

采用图卷积网络与个人页面排名算法迭代计算出所述第一文本图中每个单词节点对于文本节点的重要程度，并根据重要程度排序获得关键单词节点；

将获取到的关键单词节点通过词嵌入求和得到关键文本，并将关键单词节点与关键文本节点构建出关键文本图；

所述争议焦点分类预测模块用于对关键文本图处理，预测待识别的案件包含的争议焦点。