1.一种基于图神经网络系统的文献分类方法，其特征在于：基于分别对应预设各文献类别的各篇样本文献，以及各篇样本文献分别对应预设各类型特征所构矩阵的图信号，通过步骤A至步骤C，获得文献分类模型，并按步骤i，应用文献分类模型，针对待分类文献进行分类；

步骤A. 构建基于图滤波核和广义非凸范数的目标图神经网络模块，该目标图神经网络模块包括用于对图信号进行有用信息提取的图滤波核项、用于对图信号进行全局图光滑处理的图拉普拉斯正则项、以及用于对图信号进行局部图光滑处理的广义非凸范数项，然后进入步骤B；

步骤B. 构建待训练网络，由第一多层感知器模块的输入端构成待训练网络的输入端，第一多层感知器模块的输出端依次串联线性整流函数模块、第二多层感知器模块、目标图神经网络模块、归一化指数函数模块，归一化指数函数模块的输出端构成待训练网络的输出端，然后进入步骤C；

步骤C. 基于各篇样本文献分别所对应的图信号，以及各篇样本文献分别所对应的文献类别，根据各篇样本文献之间的关联关系，针对待训练网络进行训练，获得以文献所对应图信号为输入，文献所对应文献类别为输出的文献分类模型；

步骤i. 获得待分类文献对应预设各类型特征构成的图信号，并应用文献分类模型，获得待分类文献所对应的文献类别。

2.根据权利要求1所述一种基于图神经网络系统的文献分类方法，其特征在于：所述目标图神经网络模块中包括用于对图信号进行有用信息提取的图滤波核项、用于对图信号进行全局图光滑处理的图拉普拉斯正则项 、以及用于对图信号进行局部图光滑处理的广义非凸范数项 ，且目标图神经网络模块所对应的优化方程如下：其中， ， 表示目标图神经网络模块所接收的图信号， 表示对图信号进行可学习的转换函数，表示可学习参数， 表示目标图神经网络模块针对所接收图信号 经过多次迭代之后的输出信号， 表示Frobenius范数， 、 、 分别为超参数，表示大于0的平衡因子， 表示矩阵的迹函数， ， 表示图拉普拉斯矩阵，表示单位矩阵， ， 表示正则化的图邻接矩阵， 表示图的度矩阵， 为图邻接矩阵， ， 表示各篇文献分别对应顶点间关联关系图

的第 个顶点， 表示各篇文献分别对应顶点间关联关系图的第 个顶点， 表示各篇文献分别对应顶点间关联关系图中第 个顶点的度， 表示各篇文献分别对应顶点间关联关系图中第个顶点的度，和 分别是 的第 个和 个输出信号， 是广义的、非凸的、合适的、闭的和下半连续函数， ， 。

3.根据权利要求2所述一种基于图神经网络系统的文献分类方法，其特征在于：所述目标图神经网络模块对应的优化方程，采用预测校验下降上升算法，按如下方式进行求解；

首先根据 的共轭函数 ，以及待求解矩阵变量 、上确界函数 ，构建；

然后将目标图神经网络模块对应优化方程，更新如下：

最后针对更新后目标图神经网络模块对应的优化方程进行求解。

4.根据权利要求3所述一种基于图神经网络系统的文献分类方法，其特征在于：基于初始 、 、 ，按如下步骤，针对所述更新后图神经网络模块对应的优化方程进行求解；

步骤1）. 按如下公式，采用最速下降法更新 的值，即用 表示；

其中，表示求解过程的第 次迭代，表示第一步长因子，表示梯度算子， 表示求解 次迭代的 的值；然后进入步骤2）；

步骤2）. 按如下公式，采用最速上升法求解 ；

其中， 是临近算子，表示第二步长因子；然后进入步骤3）；

步骤3）. 按如下公式：

更新变量更新 的值，然后进入步骤4）；

步骤4）. 判断 是否不小于预设最大迭代次数 ，是则结束迭代；否则针对 的值进行加1更新，并返回步骤1）。