1.一种基于知识增强的双通道情感分析方法，其特征在于，包括以下步骤：

构建神经网络模型，其中，所述神经网络模型包括词嵌入模块、知识增强模块、语义通道、句法通道以及情感分析模块；

获取待测语句，所述待测语句包括若干个单词以及方面词，将所述待测语句输入至所述神经网络模型的词嵌入模块中，获得所述待测语句的句子特征表示；

将所述待测语句以及句子特征表示输入至所述知识增强模块中，根据所述待测语句以及预设的情感词典，获得所述待测语句中若干个单词的情感向量，并进行编码处理，获得所述待测语句的情感特征表示；

根据所述待测语句中的方面词以及所述情感词典，获得所述待测语句中方面词的若干个扩展词，以及所述若干个扩展词的情感向量，将所述若干个扩展词的情感向量进行编码处理，获得所述待测语句的扩展特征表示；

获得所述若干个扩展词的词嵌入向量，将所述若干个扩展词的词嵌入向量进行编码处理，获得所述待测语句的方面特征表示；

将所述待测语句的情感特征表示与句子特征表示进行融合，获得所述待测语句的情感增强特征表示，将所述待测语句的扩展特征表示以及方面特征表示进行融合，获得所述待测语句的方面扩展特征表示；

将所述待测语句的情感增强特征表示以及方面扩展特征表示进行拼接，获得所述待测语句的知识增强特征表示；

将所述待测语句的知识增强特征表示以及句子特征表示输入至所述语义通道中，获得所述待测语句的语义特征表示；

将所述待测语句以及句子特征表示输入至所述句法通道中，获得所述待测语句的句法特征表示；

将所述待测语句的语义特征表示以及句法特征表示输入至所述情感分析模块中，获得所述待测语句的情感分析结果。

2.根据权利要求1所述的基于知识增强的双通道情感分析方法，其特征在于：所述语义通道包括第一多层卷积网络；

所述将所述待测语句的知识增强特征表示以及句子特征表示输入至所述语义通道中，获得所述待测语句的语义特征表示，包括步骤：构建所述待测语句的第一初始邻接矩阵，根据所述待测语句的知识增强特征，对所述第一初始邻接矩阵进行初始化处理，获得所述待测语句的第一邻接矩阵；

将所述待测语句的知识增强特征表示以及第一邻接矩阵作为所述第一多层卷积网络首层的输入节点信息，根据预设的第一图卷积计算算法，获得所述待测语句的初始语义特征表示，其中，所述第一图卷积计算算法为：式中， 为所述第一多层卷积网络的第l+1层的输入节点信息， 为非线性函数，为所述第一邻接矩阵， 为第一可训练权重参数矩阵，为第二偏差参数，n是单词数目，i为单词的位置索引；

对所述待测语句的初始语义特征表示进行掩码处理以及平均池化处理，获得所述待测语句的语义特征表示，其中，所述语义特征表示包括若干个单词的语义向量，具体如下：式中，mask为掩码参数，τ是方面词开始位置，m是方面词数目，n是单词数目，t为单词的位置索引，表示为第t个单词； 为所述待测语句的语义特征表示，AveragePooling（）为平均池化函数。

3.根据权利要求2所述的基于知识增强的双通道情感分析方法，其特征在于，所述根据所述待测语句的知识增强特征，对所述第一初始邻接矩阵进行初始化处理，获得所述待测语句的第一邻接矩阵，包括步骤：根据所述待测语句的知识增强特征表示以及预设的多头自注意力算法，对所述第一初始邻接矩阵中若干个边的多头自注意力权重进行计算，获得所述第一初始邻接矩阵的注意力权重矩阵，其中，所述多头自注意力算法为：式中， 为所述第一初始邻接矩阵的注意力权重矩阵， 为所述待测语句的知识增强特征表示， 为第三可训练权重参数矩阵， 为第四可训练权重参数矩阵，为多头自注意力的维度参数；

根据所述第一初始邻接矩阵的注意力权重矩阵以及预设的快速选择算法，对所述第一初始邻接矩阵进行初始化处理，构建所述待测语句的邻接矩阵，其中，所述快速选择算法为：式中， 为所述待测语句的邻接矩阵， 为快速选择函数，K为维度数目，x为表示第x个维度。

4.根据权利要求1所述的基于知识增强的双通道情感分析方法，其特征在于：所述句法通道包括第二多层卷积网络；

所述将所述待测语句以及句子特征表示输入至所述句法通道中，获得所述待测语句的句法特征表示，包括步骤：构建所述待测语句的依存句法树，根据所述待测语句的依存句法树，构建所述待测语句的第二邻接矩阵；

根据所述待测语句的句子特征表示以及预设的加权算法，对所述待测语句的各个单词的词嵌入向量进行加权处理，获得加权处理后的所述待测语句的各个单词的词嵌入向量，并进行编码处理，获得加权处理后的所述待测语句的句子特征表示，作为所述待测语句的句法增强特征；其中，所述加权算法为：式中，i为单词的位置索引，τ是方面词开始位置，m是方面词数目，n是单词数目， 为第i个单词的位置权重参数， 为第i个单词的词嵌入向量， 为位置权重分配函数；

将所述待测语句的句法增强特征表示以及第二邻接矩阵作为所述第二多层卷积网络首层的输入节点信息，根据预设的第二图卷积计算算法，获得所述待测语句的初始句法特征表示，其中，所述第二图卷积计算算法为：式中， 为所述第二多层卷积网络的第l+1层的输入节点信息， 为所述第二多层卷积网络的第l层的输入节点信息， 为非线性函数， 为所述第二邻接矩阵， 为第五可训练权重参数矩阵，为第二偏差参数，n是单词数目，i为单词的位置索引；

对所述待测语句的初始句法特征表示进行掩码处理以及平均池化处理，获得所述待测语句的中间句法特征表示，其中，所述中间句法特征表示包括若干个单词的中间句法向量，具体如下：式中，mask为掩码参数，τ是方面词开始位置，m是方面词数目，n是单词数目； 为所述待测语句的中间句法特征表示，AveragePooling（）为平均池化函数；其中， ，为第n个单词的中间句法向量；

根据所述待测语句的中间句法特征表示以及句子特征表示，对同一单词的词嵌入向量以及中间句法向量进行点积操作，获得所述待测语句的各个单词的点积参数，根据所述待测语句的各个单词的点积参数以及预设的注意力计算算法，获得所述待测语句的句法特征表示，其中，所述注意力计算算法为：式中， 为所述待测语句的第i个单词的注意力权重参数， 为所述待测语句的第i个单词的点积参数， 为所述待测语句的句法特征表示。

5.根据权利要求4所述的基于知识增强的双通道情感分析方法，其特征在于，所述将所述待测语句的语义特征表示以及句法特征表示输入至所述情感分析模块中，获得所述待测语句的情感分析结果，包括步骤：将所述待测语句的语义特征表示以及句法特征表示进行融合，获得所述待测语句的情感特征表示，具体如下：式中， 为所述情感特征表示， 为所述待测语句的语义特征表示， 为所述待测语句的句法特征表示；

根据所述待测语句的情感特征表示以及预设的情感分析算法，获得所述待测语句的情感分类极性概率分布向量，根据所述情感分类极性概率分布向量，获得概率最大的维度对应的情感极性，作为所述待测语句的情感分析结果，其中，所述情感分析算法为：式中，y为所述情感分类极性概率分布向量， 为所述情感特征表示，softmax( )为归一化函数。

6.一种基于知识增强的双通道情感分析装置，其特征在于，包括：

模型构建模块，用于构建神经网络模型，其中，所述神经网络模型包括词嵌入模块、知识增强模块、语义通道、句法通道以及情感分析模块；

句子特征获取模块，用于获取待测语句，所述待测语句包括若干个单词以及方面词，将所述待测语句输入至所述神经网络模型的词嵌入模块中，获得所述待测语句的句子特征表示；

知识增强特征获取模块，用于将所述待测语句以及句子特征表示输入至所述知识增强模块中，根据所述待测语句以及预设的情感词典，获得所述待测语句中若干个单词的情感向量，并进行编码处理，获得所述待测语句的情感特征表示；

根据所述待测语句中的方面词以及所述情感词典，获得所述待测语句中方面词的若干个扩展词，以及所述若干个扩展词的情感向量，将所述若干个扩展词的情感向量进行编码处理，获得所述待测语句的扩展特征表示；

获得所述若干个扩展词的词嵌入向量，将所述若干个扩展词的词嵌入向量进行编码处理，获得所述待测语句的方面特征表示；

将所述待测语句的情感特征表示与句子特征表示进行融合，获得所述待测语句的情感增强特征表示，将所述待测语句的扩展特征表示以及方面特征表示进行融合，获得所述待测语句的方面扩展特征表示；

将所述待测语句的情感增强特征表示以及方面扩展特征表示进行拼接，获得所述待测语句的知识增强特征表示；

语义特征获取模块，用于将所述待测语句的知识增强特征表示以及句子特征表示输入至所述语义通道中，获得所述待测语句的语义特征表示；

句法特征获取模块，用于将所述待测语句以及句子特征表示输入至所述句法通道中，获得所述待测语句的句法特征表示；

情感分析模块，用于将所述待测语句的语义特征表示以及句法特征表示输入至所述情感分析模块中，获得所述待测语句的情感分析结果。

7.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求

1至5中任一项所述的基于知识增强的双通道情感分析方法的步骤。

8.一种计算机可读存储介质，其特征在于：所述计算机可读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5任一项所述的基于知识增强的双通道情感分析方法的步骤。