1.一种方面级情感分析方法，其特征在于，包括步骤：

获取待分析的目标文本及目标方面词；

对所述目标文本中的第i个词进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第一向量表示；对所述目标文本中的第i个词和第j个词共同进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第二向量表示；根据所述第一向量表示和所述第二向量表示计算第i个词与第j个词间的影响值，根据所述目标文本中每两个词间的所述影响值构建影响矩阵；从所述影响矩阵中提取依赖树；根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征；

将所述目标文本和所述目标方面词共同输入词嵌入模型，得到全局词嵌入向量；

将所述全局词嵌入向量和所述局部上下文特征进行特征融合，得到融合特征；

根据所述融合特征进行预测，得到所述目标方面词在所述目标文本中的极性；

其中，根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征，具体包括步骤：根据所述依赖树获取所述目标文本中每个词与所述目标方面词间的接近度值，确定最大的所述接近度值为动态阈值，根据所述动态阈值通过上下文动态掩码或上下文动态加权确定动态局部特征；

根据所述依赖树在所述目标文本中提取所述目标方面词的依赖集群和被依赖集群，其中所述依赖集群为所述目标方面词的依赖词的集合，所述被依赖集群为所述目标方面词的被依赖词的聚合；

将所述动态局部特征分别与所述依赖集群、所述被依赖集群进行融合，得到局部依赖特征和局部被依赖特征；

根据所述局部依赖特征和所述局部被依赖特征得到局部上下文特征；

其中，根据所述局部依赖特征和所述局部被依赖特征得到局部上下文特征，具体包括步骤：将所述局部依赖特征和所述局部被依赖特征分别进行多头注意力计算后，进行池化，得到依赖聚类特征和被依赖聚类特征；

将所述依赖聚类特征和所述被依赖聚类特征分别通过线性函数映射到高维空间，得到高维向量，再通过线性函数对所述高维向量进行计算，得到局部依赖语义值和局部被依赖语义值；

根据所述局部依赖语义值和所述局部被依赖语义值通过门控机制得到局部上下文特征，所述局部上下文特征的表达式为：CDM/CDW

其中， 为所述局部上下文特征；V 为通过上下文动态掩码或上下文动态加权sub确定的所述动态局部特征； W 为所述依赖集

gov

群，W 为所述被依赖集群，Rj为重置函数，重置函数Rj的表达式为：Rj＝sigmoid(Wr1·GSj+Wr2·SSj+br)其中，Wr1和Wr2为可训练的参数；br为偏置项；GSj为所述局部被依赖语义值；SSj为所述局部被依赖语义值。

2.根据权利要求1所述的方法，其特征在于，根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征，包括步骤：根据所述依赖树获取所述目标文本中每个词与所述目标方面词间的接近度值，确定最大的所述接近度值为动态阈值，根据所述动态阈值通过上下文动态掩码或上下文动态加权确定动态局部特征，确定所述动态局部特征为局部上下文特征。

3.根据权利要求1所述的方法，其特征在于，根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征，还包括步骤：提取所述目标文本中每个词的词性特征，并将所述词性特征与所述动态局部特征进行融合，得到局部词性特征；

将所述动态局部特征分别与所述依赖集群、所述被依赖集群进行融合，得到局部依赖特征和局部被依赖特征后，还包括步骤：在局部依赖特征和局部被依赖特征中分别加入局部词性特征。

4.根据权利要求1所述的方法，其特征在于，将所述全局词嵌入向量和所述局部上下文特征进行特征融合，得到融合特征，包括步骤：将所述全局词嵌入向量和所述局部上下文特征进行拼接后，通过PCT模型进行融合，并通过多头注意力进行编码，得到融合特征。

5.一种方面级情感分析装置，其特征在于，包括：

获取模块，用于获取待分析的目标文本及目标方面词；

局部上下文特征获取模块，用于对所述目标文本中的第i个词进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第一向量表示；对所述目标文本中的第i个词和第j个词共同进行掩码标记后，将所述目标文本输入预训练语言模型获取第i个词的第二向量表示；根据所述第一向量表示和所述第二向量表示计算第i个词与第j个词间的影响值，根据所述目标文本中每两个词间的所述影响值构建影响矩阵；从所述影响矩阵中提取依赖树；根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征；

全局词嵌入向量获取模块，用于将所述目标文本和所述目标方面词共同输入词嵌入模型，得到全局词嵌入向量；

特征融合模块，用于将所述全局词嵌入向量和所述局部上下文特征进行特征融合，得到融合特征；

预测模块，用于根据所述融合特征进行预测，得到所述目标方面词在所述目标文本中的极性；

其中，根据所述依赖树和所述目标方面词获得所述目标文本的局部上下文特征，具体包括步骤：根据所述依赖树获取所述目标文本中每个词与所述目标方面词间的接近度值，确定最大的所述接近度值为动态阈值，根据所述动态阈值通过上下文动态掩码或上下文动态加权确定动态局部特征；

根据所述依赖树在所述目标文本中提取所述目标方面词的依赖集群和被依赖集群，其中所述依赖集群为所述目标方面词的依赖词的集合，所述被依赖集群为所述目标方面词的被依赖词的聚合；

将所述动态局部特征分别与所述依赖集群、所述被依赖集群进行融合，得到局部依赖特征和局部被依赖特征；

根据所述局部依赖特征和所述局部被依赖特征得到局部上下文特征；

其中，根据所述局部依赖特征和所述局部被依赖特征得到局部上下文特征，具体包括步骤：将所述局部依赖特征和所述局部被依赖特征分别进行多头注意力计算后，进行池化，得到依赖聚类特征和被依赖聚类特征；

将所述依赖聚类特征和所述被依赖聚类特征分别通过线性函数映射到高维空间，得到高维向量，再通过线性函数对所述高维向量进行计算，得到局部依赖语义值和局部被依赖语义值；

根据所述局部依赖语义值和所述局部被依赖语义值通过门控机制得到局部上下文特征，所述局部上下文特征的表达式为：CDM/CDW

其中， 为所述局部上下文特征；V 为通过上下文动态掩码或上下文动态加权sub确定的所述动态局部特征； W 为所述依赖集

gov

群，W 为所述被依赖集群，Rj为重置函数，重置函数Rj的表达式为：Rj＝sigmoid(Wr1·GSj+Wr2·SSj+br)其中，Wr1和Wr2为可训练的参数；br为偏置项；GSj为所述局部被依赖语义值；SSj为所述局部被依赖语义值。

6.根据权利要求5所述的装置，其特征在于，所述局部上下文特征获取模块包括：动态局部特征获取子模块，用于根据所述依赖树获取所述目标文本中每个词与所述目标方面词间的接近度值，确定最大的所述接近度值为动态阈值，根据所述动态阈值通过上下文动态掩码或上下文动态加权确定动态局部特征，确定所述动态局部特征为局部上下文特征。

7.一种电子设备，其特征在于：包括：

处理器；

存储器，用于存储由所述处理器执行的计算机程序；

其中，所述处理器执行所述计算机程序时实现权利要求1‑4中任一项所述方法的步骤。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1‑4中任一项所述方法的步骤。