1.一种基于交互方面信息融合的语句情感分析方法，其特征在于，包括以下步骤：

获得待测语句，所述待测语句包括若干个单词，将所述待测语句至预设的神经网络模型中的编码层，获得所述待测语句的若干个单词的双向特征，将所述待测语句的若干个单词的双向特征进行组合，获得所述待测语句的句子双向特征，其中，所述单词包括方面词；

构建所述待测语句的依存句法树，根据所述待测语句的句子双向特征以及依存句法树，构建所述待测语句的第一邻接矩阵；将所述待测语句的句子双向特征以及第一邻接矩阵输入至所述神经网络模型中的图卷积网络层，所述图卷积网络层为多层图卷积网络层，获得所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征；

获取所述待测语句的依存句法树的不同的节点之间的句法距离数据，根据所述句法距离数据，构建所述待测语句的第二邻接矩阵；

将所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征输入至所述神经网络模型中的层次选择注意力网络层中，对所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征进行掩码处理以及平均池化处理，获得所述待测语句的若干个层对应的第一平均池化特征，具体如下：式中， 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， 为所述待测语句的若干个层对应的第一平均池化特征；AveragePooling（）为平均池化函数；

根据预设的拼接算法，对所述待测语句的若干个层对应的第一平均池化特征进行拼接处理，获得所述待测语句的层次拼接特征，其中，所述拼接算法为：式中， 为所述待测语句的层次拼接特征， 为拼接函数；

将所述待测语句的层次拼接特征与预设的第二训练参数相乘，获得所述待测语句的注意力参数，根据所述待测语句的注意力参数、多层图卷积网络层的每一层输出的所述待测语句的图卷积特征以及预设的层次选择算法，获得所述待测语句的层次选择特征，其中，所述层次选择算法为：式中， 为所述待测语句的层次选择特征， 为所述待测语句的注意力参数，为预设的第三训练参数， 为所述多层图卷积网络层的第k层输出的所述待测语句的图卷积特征；

根据所述待测语句的层次选择特征、第二邻接矩阵以及预设的第二图卷积特征计算算法，获得所述待测语句的交互方面特征，其中，所述第二图卷积特征计算算法为：式中， 为所述多层图卷积网络层的输出的所述待测语句的交互方面特征，为所述待测语句的第二邻接矩阵， 为第二图卷积特征计算函数；

将所述待测语句的图卷积特征以及交互方面特征输入至所述神经网络模型的信息融合层中，获得所述待测语句的融合特征；

将所述待测语句的融合特征输入至所述神经网络模型的情感分析层中，获得所述待测语句的情感分析结果。

2.根据权利要求1所述的基于交互方面信息融合的语句情感分析方法，其特征在于：所述编码层包括词嵌入模块以及语义信息编码模块；

所述将所述待测语句至预设的神经网络模型中的编码层，获得所述待测语句的若干个单词的双向特征，包括步骤：将所述待测语句输入至所述编码层中的词嵌入模块中，获得所述待测语句的词嵌入矩阵，并与预设的标签矩阵进行拼接，获得所述待测语句的输入矩阵，其中，所述词嵌入矩阵包括所述待测语句中各个单词的词嵌入向量，所述标签矩阵包括所述待测语句中各个单词对应的标签嵌入向量；

将所述待测语句的输入矩阵输入至所述编码层中的语义信息编码模块中进行编码，获得所述待测语句中各个单词的前向特征以及后向特征，进行拼接，获得所述待测语句的若干个单词的双向特征。

3.根据权利要求2所述的基于交互方面信息融合的语句情感分析方法，其特征在于，所述构建所述待测语句的依存句法树，根据所述待测语句的句子双向特征以及依存句法树，构建所述待测语句的第一邻接矩阵，包括步骤：获取初始依存句法树，所述初始依存句法树包括若干个节点，将所述待测语句中的各个单词分别设置于所述初始依存句法树的各个节点，获取所述待测语句的依存句法树中不同的节点之间的依存关系类型，构建所述待测语句的依存句法树；

根据所述依存关系类型，获取所述待测语句的依存句法树中不同的节点之间的依存关系嵌入向量，根据所述待测语句的句子双向特征，获取所述待测语句的依存句法树中各个节点对应的单词的双向特征；

根据所述待测语句的依存句法树中不同的节点之间的依存关系嵌入向量、各个节点对应的单词的双向特征以及预设的注意力得分计算算法，计算所述待测语句的依存句法树的不同的节点之间的注意力得分，其中，所述注意力得分计算算法为：式中， 为所述依存句法树的第i个节点与第j个节点之间的注意力得分， 为LeakyReLu函数， 为第i个节点对应的单词的双向特征， 为第一训练参数； 为点乘符号， 为所述依存句法树的第i个节点与第j个节点之间的依存关系嵌入向量；

根据所述待测语句的依存句法树的不同的节点之间的注意力得分以及预设归一化算法，获得所述待测语句的依存句法树的不同的节点之间的注意力概率，构建所述待测语句的第一邻接矩阵，其中，所述归一化算法为：式中， 为所述依存句法树的第i个节点与第j个节点之间的注意力概率， 为所述依存句法树的第i个节点的节点集合，x表示与所述依存句法树的第i个节点连接的第x个节点。

4.根据权利要求3所述的基于交互方面信息融合的语句情感分析方法，其特征在于，所述将所述待测语句的句子双向特征以及第一邻接矩阵输入至所述神经网络模型中的图卷积网络层，所述图卷积网络层为多层图卷积网络层，获得所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征，包括步骤：根据所述待测语句的句子双向特征、第一邻接矩阵以及预设的第一图卷积特征计算算法，获得所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征，其中，所述第一图卷积特征计算算法为：式中， 为所述多层图卷积网络层的输出的所述待测语句的图卷积特征，H为所述待测语句的句子双向特征， 为所述待测语句的邻接矩阵， 为第一图卷积特征计算函数，k表示所述多层图卷积网络层的层数。

5.根据权利要求4所述的基于交互方面信息融合的语句情感分析方法，其特征在于：所述单词包括上下文单词，所述第二邻接矩阵具体如下：式中， 为所述依存句法树的第i个节点与第j个节点之间的句法距离数据，p为所述方面词的位置索引， 为第j个节点的单词， 表示为方面词， 表示为其他方面词，otherwise表示为上下文单词，len为所述待测语句的句子长度。

6.根据权利要求5所述的基于交互方面信息融合的语句情感分析方法，其特征在于，所述将所述待测语句的图卷积特征以及交互方面特征输入至所述神经网络模型的信息融合层中，获得所述待测语句的融合特征，包括步骤：根据所述待测语句的图卷积特征、交互方面特征以及预设的特征融合算法，获得所述待测语句的融合特征，其中，所述特征融合算法为：式中， 所述待测语句的融合特征，γ为预设的超参数。

7.根据权利要求6所述的基于交互方面信息融合的语句情感分析方法，其特征在于：所述情感分析层包括池化层以及激活层，所述将所述待测语句的融合特征输入至所述神经网络模型的情感分析层中，获得所述待测语句的情感分析结果，包括步骤：将所述待测语句的融合特征输入至所述池化层中进行掩码处理以及平均池化处理，获得所述待测语句的第二平均池化特征，具体如下：式中， 为所述待测语句的第二平均池化特征；

将所述待测语句的第二平均池化特征输入至所述激活层中，根据所述待测语句的第二平均池化特征以及预设的情感分析算法，获得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，将所述情感极性作为所述待测语句的情感分析结果，其中，所述情感分析算法为：式中，y为所述情感分类极性概率分布向量， 为预设的第四可训练参数， 为预设的的偏置参数。

8.一种基于交互方面信息融合的语句情感分析装置，其特征在于，包括：

句子双向特征计算模块，用于获得待测语句，所述待测语句包括若干个单词，将所述待测语句至预设的神经网络模型中的编码层，获得所述待测语句的若干个单词的双向特征，将所述待测语句的若干个单词的双向特征进行组合，获得所述待测语句的句子双向特征，其中，所述单词包括方面词；

图卷积特征计算模块，用于构建所述待测语句的依存句法树，根据所述待测语句的句子双向特征以及依存句法树，构建所述待测语句的第一邻接矩阵；将所述待测语句的句子双向特征以及第一邻接矩阵输入至所述神经网络模型中的图卷积网络层，所述图卷积网络层为多层图卷积网络层，获得所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征；

交互方面特征计算模块，用于获取所述待测语句的依存句法树的不同的节点之间的句法距离数据，根据所述句法距离数据，构建所述待测语句的第二邻接矩阵；

将所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征输入至所述神经网络模型中的层次选择注意力网络层中，对所述多层图卷积网络层的每一层输出的所述待测语句的图卷积特征进行掩码处理以及平均池化处理，获得所述待测语句的若干个层对应的第一平均池化特征，具体如下：式中， 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， 为所述待测语句的若干个层对应的第一平均池化特征；AveragePooling（）为平均池化函数；

根据预设的拼接算法，对所述待测语句的若干个层对应的第一平均池化特征进行拼接处理，获得所述待测语句的层次拼接特征，其中，所述拼接算法为：式中， 为所述待测语句的层次拼接特征， 为拼接函数；

将所述待测语句的层次拼接特征与预设的第二训练参数相乘，获得所述待测语句的注意力参数，根据所述待测语句的注意力参数、多层图卷积网络层的每一层输出的所述待测语句的图卷积特征以及预设的层次选择算法，获得所述待测语句的层次选择特征，其中，所述层次选择算法为：式中， 为所述待测语句的层次选择特征， 为所述待测语句的注意力参数，为预设的第三训练参数；

根据所述待测语句的图卷积特征、第二邻接矩阵以及预设的第二图卷积特征计算算法，获得所述待测语句的交互方面特征，其中，所述第二图卷积特征计算算法为：式中， 为所述多层图卷积网络层的输出的所述待测语句的图卷积特征， 为所述待测语句的邻接矩阵， 为第二图卷积特征计算函数；

特征融合模块，用于将所述待测语句的图卷积特征以及交互方面特征输入至所述神经网络模型的信息融合层中，获得所述待测语句的融合特征；

情感分析模块，用于将所述待测语句的融合特征输入至所述神经网络模型的情感分析层中，获得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7中任一项所述的基于交互方面信息融合的语句情感分析方法的步骤。