1.一种基于知识图谱的情感分类方法，其特征在于，包括以下步骤：

获取待测语句以及预设的神经网络模型，其中，所述待测语句包括若干个单词，所述单词包括方面词，所述神经网络模型包括知识提取模块、句子编码模块、语义提取模块、句法提取模块、特征融合模块以及情感分析模块；

构建与所述待测语句相关联的知识图谱，其中，所述知识图谱包括若干个与方面词相关联的链接实体，以及若干个所述各个链接实体彼此的连接关系；

将所述知识图谱输入至所述知识提取模块，根据所述知识图谱中若干个链接实体，获取知识图谱嵌入矩阵，根据所述知识图谱中各个链接实体彼此的连接关系，获取知识图谱关系矩阵，其中，所述知识图谱关系矩阵包括若干个所述连接关系对应的特征向量，所述知识图谱关系矩阵包括若干个所述连接关系对应的特征向量；

根据所述知识图谱关系矩阵、知识图谱关系矩阵以及预设的损失函数，对所述知识图谱嵌入矩阵进行更新，获取更新后的知识图谱嵌入矩阵，基于所述更新后的知识图谱嵌入矩阵，获取更新后的所述若干个链接实体的对应的特征向量，将更新后的所述若干个链接实体的对应的特征向量进行组合，获取所述待测语句的知识特征表示；

将所述待测语句输入至所述句子编码模块中，获得所述待测语句的前向特征表示以及后向特征表示，将所述待测语句的前向特征表示以及后向特征表示进行拼接，获得所述待测语句的双向特征表示；

将所述待测语句的双向特征表示输入至所述语义提取模块，获得所述待测语句的语义特征表示；

构建所述待测语句的目标邻接矩阵，将所述待测语句的双向特征表示以及目标邻接矩阵输入至所述句法提取模块中，获得所述待测语句的句法特征表示；

将所述待测语句的知识特征表示、语义特征表示以及句法特征表示输入至所述特征融合模块中，获得所述待测语句的融合特征表示；

将所述待测语句的融合特征表示输入至所述情感分析模块中，获取所述待测语句的情感分析结果。

2.根据权利要求1所述的基于知识图谱的情感分类方法，其特征在于：所述单词还包括上文单词以及下文单词；

所述构建与所述待测语句相关联的知识图谱，包括步骤：

根据所述待测语句的上文单词、方面词、下文单词以及预设的双向编码器，获取所述方面词对应的特征向量；

将所述方面词对应的特征向量分别与预设的知识图谱匹配池中若干个链接实体对应的特征向量进行匹配，获得所述若干个方面词相关联的链接实体，根据所述链接实体，获得所述各个链接实体彼此的连接关系，构建所述知识图谱。

3.根据权利要求2所述的基于知识图谱的情感分类方法，其特征在于：所述链接实体包括头链接实体以及尾链接实体；

所述根据所述知识图谱关系矩阵、知识图谱关系矩阵以及预设的损失函数，对所述知识图谱嵌入矩阵进行更新，获取更新后的知识图谱嵌入矩阵，包括步骤：根据所述知识图谱中头链接实体、连接关系、尾链接实体在所述知识图谱嵌入矩阵以及知识图谱关系矩阵中的索引，构建正例三元组集以及负例三元组集，其中，所述正例三元组集包括若干个正例三元组，所述负例三元组集若干个负例三元组，所述正例三元组为：S(h，r，t)

式中，h为所述正例三元组中的头链接实体在所述知识图谱嵌入矩阵中的索引序号，r为所述正例三元组中的连接关系在所述知识图谱关系矩阵中的索引序号，t为所述正例三元组中的尾链接实体在所述知识图谱嵌入矩阵中的索引序号；

所述负例三元组为：

S′(h′，r′，t′)

式中，h′为所述负例三元组中的头链接实体在所述知识图谱嵌入矩阵中的索引序号，r′为所述负例三元组中的连接关系在所述知识图谱关系矩阵中的索引序号，t′为所述负例三元组中的尾链接实体在所述知识图谱嵌入矩阵中的索引序号；

根据所述正例三元组集、负例三元组集以及预设的损失函数，对所述知识图谱嵌入矩阵、知识图谱关系矩阵进行更新，获取更新后的知识图谱嵌入矩阵，其中，所述损失函数为：式中，L为所述损失函数，F()为双线性变换函数，具体地，

为所述知识图谱嵌入矩阵中的索引序号为h的所述正例三元组的中的头链接实体对应的特征向量的转置；Mr为所述知识图谱关系矩阵中索引序号为r的所述正例三元组中的连接关系对应的特征向量，yt为所述知识图谱嵌入矩阵中的索引序号为h的所述正例三元组的中的尾链接实体对应的特征向量。

4.根据权利要求1所述的基于知识图谱的情感分类方法，其特征在于，所述将所述待测语句的双向特征表示输入至所述语义提取模块，获得所述待测语句的语义特征表示，包括步骤：根据所述待测语句的双向特征表示以及预设的多头自注意力算法，获得所述待测语句的注意力权重矩阵，其中，所述多头自注意力算法为：GRU k

式中，Watt为所述待测语句的注意力权重矩阵，H 为所述待测语句的双向特征表示，Wq为预设的第一可训练权重参数矩阵，W为预设的第二可训练权重参数矩阵，dk为多头自注意力的维度参数；

根据所述待测语句的注意力权重矩阵以及预设的语义特征计算算法，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特征向量，所述语义特征计算算法为：se GRU v

H ＝[Softmax(watt)]·(H W)

se v

式中，H 为所述待测语句的语义特征表示，Softmax()为归一化指数函数，W为预设的第三可训练权重参数矩阵。

5.根据权利要求1所述的基于知识图谱的情感分类方法，其特征在于：所述句法提取模块为多层图卷积网络；

所述将所述待测语句的双向特征表示以及目标邻接矩阵输入至所述句法提取模块中，包括步骤：将所述待测语句的双向特征表示作为所述多层图卷积网络的第一层的输入信息，根据所述目标邻接矩阵以及预设的句法特征计算算法，获得所述多层图卷积网络的最后一层输出特征表示，作为所述待测语句的句法特征表示，其中，所述句法特征表示包括若干个单词的句法特征向量，所述句法特征计算算法为：sy(l+1) sy(l)

式中，H 为所述多层图卷积网络的第l+1层输出的句法特征表示，H 为所述多层图卷积网络的第l层输出的句法特征表示，GCN()为图卷积函数， 为所述待测语句的目sy(l+1)标邻接矩阵，W 为所述层图卷积网络的第l+1层的可训练权重参数矩阵。

6.根据权利要求1所述的基于知识图谱的情感分类方法，其特征在于：所述知识特征表示包括若干个单词的知识特征向量，所述上文单词以及下文单词的知识特征向量为预设的向量值，所述方面词的知识特征向量为相应的链接实体的对应的特征向量；

所述将所述待测语句的知识特征表示、语义特征表示以及句法特征表示输入至所述特征融合模块中，获得所述待测语句的融合特征表示，包括步骤：将所述待测语句的语义特征表示、句法特征表示作为第一输入特征组，所述待测语句的知识特征表示、句法特征表示作为第二输入特征组；根据所述第一输入特征组、第二输入特征组以及预设的特征融合算法，分别获得所述待测语句的第一融合特征表示以及第二融合特征表示，具体如下：sy se sy kg

式中，Att(H ，H )为所述待测语句的第一融合特征表示，Att(H ，H )为所述待测语句的第二融合特征表示，N为所述待测语句的单词数目，i表示第i个单词， 为所述待测语句的句法特征表示中第i个单词的句法特征向量， 为所述待测语句的语义特征表示中第i个单词的语义特征向量， 为所述待测语句的知识特征表示中第i个单词的知识特征向量；

根据所述待测语句的第一融合特征表示、第二融合特征表示以及预设的噪声滤波算法，获得噪声滤波处理后的所述待测语句的第一融合特征表示以及第二融合特征表示，将所述噪声滤波处理后的所述待测语句的第一融合特征表示以及第二融合特征表示进行叉乘运算，获得所述待测语句的融合特征表示，其中，所述噪声滤除算法为：式中， 为噪声滤除后的所述待测语句的第一融合特征表示中第i个单词的第一融合特征向量， 为噪声滤除后的所述待测语句的第二融合特征表示中第i个单词的第二融合特征向量， 为所述待测语句的第一融合特征表示中第i个单词的第一融合特征向量， 为所述待测语句的第二融合特征表示中第i个单词的

第二融合特征向量，Ws为预设的第四可训练权重参数矩阵，Wk为预设的第五可训练权重参数矩阵，bs为预设的第一偏置参数矩阵，bk为预设的第二偏置参数矩阵。

7.根据权利要求1所述的基于知识图谱的情感分类方法，其特征在于，所述将所述待测语句的融合特征表示输入至所述情感分析模块中，获取所述待测语句的情感分析结果，包括步骤：根据所述待测语句的融合特征表示以及预设的情感概率分布计算算法，获得情感概率分布向量，根据所述情感概率分布向量，获取概率最大的维度对应的情感极性，将所述情感极性作为所述待测语句的情感分析结果，其中，所述情感概率分布计算算法为：式中，为所述情感概率分布向量，softmax()为归一化指数函数，ReLU()为线性整流函数，W1为预设的第六可训练权重参数矩阵，b1预设的第三偏置参数矩阵。

8.一种基于知识图谱的情感分类装置，其特征在于，包括：

获取模块，用于获取待测语句以及预设的神经网络模型，其中，所述待测语句包括若干个单词，所述单词包括方面词，所述神经网络模型包括知识提取模块、句子编码模块、语义提取模块、句法提取模块、特征融合模块以及情感分析模块；

知识图谱构建模块，用于构建与所述待测语句相关联的知识图谱，其中，所述知识图谱包括若干个与方面词相关联的链接实体，以及若干个所述各个链接实体彼此的连接关系；

矩阵构建模块，用于将所述知识图谱输入至所述知识提取模块，根据所述知识图谱中若干个链接实体，获取知识图谱嵌入矩阵，根据所述知识图谱中各个链接实体彼此的连接关系，获取知识图谱关系矩阵，其中，所述知识图谱关系矩阵包括若干个所述连接关系对应的特征向量；

矩阵更新模块，用于根据所述知识图谱关系矩阵、知识图谱关系矩阵以及预设的损失函数，对所述知识图谱嵌入矩阵进行更新，获取更新后的知识图谱嵌入矩阵，基于所述更新后的知识图谱嵌入矩阵，获取更新后的所述若干个链接实体的对应的特征向量，将更新后的所述若干个链接实体的对应的特征向量进行组合，获取所述待测语句的知识特征表示；

双向特征表示提取模块，用于将所述待测语句输入至所述句子编码模块中，获得所述待测语句的前向特征表示以及后向特征表示，将所述待测语句的前向特征表示以及后向特征表示进行拼接，获得所述待测语句的双向特征表示；

语义特征表示提取模块，用于将所述待测语句的双向特征表示输入至所述语义提取模块，获得所述待测语句的语义特征表示；

句法特征表示提取模块，用于构建所述待测语句的目标邻接矩阵，将所述待测语句的双向特征表示以及目标邻接矩阵输入至所述句法提取模块中，获得所述待测语句的句法特征表示；

特征融合模块，用于将所述待测语句的知识特征表示、语义特征表示以及句法特征表示输入至所述特征融合模块中，获得所述待测语句的融合特征表示；

情感分析模块，用于将所述待测语句的融合特征表示输入至所述情感分析模块中，获取所述待测语句的情感分析结果。

9.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于知识图谱的情感分类方法的步骤。

10.一种存储介质，其特征在于，所述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7任一项所述的基于知识图谱的情感分类方法的步骤。