1.一种基于混合权重和双通道图卷积的方面级情感分析方法，其特征在于，包括如下步骤：步骤1：将句子中的每个词生成向量表示；

步骤2：将句子中的每个单词的词性、语法关系和位置融入到每个词的向量表示中；

步骤3：基于步骤2获取的每个词的向量表示，利用Bi‑GRU模型获取每个词的上下文信息，其中上下文信息包括：方面词的上下文信息；

步骤4：获取句子中每个方面词的上下文词相对方面词的词性‑距离混合权重，具体过程为：获取当前的方面词与当前的方面词对应的每个上下文词的物理距离，根据物理距离从近至远对每个上下文词赋予从高至低的物理距离权重；

获取当前的方面词与当前的方面词对应的每个上下文词中的形容词，对形容词赋予高权重的词性权重，对其他词的词性权重赋予零；

将当前的方面词对应的每个上下文词的物理距离权重与词性权重相加得到当前的方面词对应的每个上下文词的词性‑距离混合权重；

步骤5：构建双通道图卷积网络，双通道图卷积网络分别对句子的语法距离权重增强图和情感极性结构图进行卷积操作，得到基于语法距离的图卷积网络输出特征向量以及基于情感极性的图卷积网络输出特征向量；

其中，语法距离权重增强图是在句法依存树的基础上加入语法距离；

情感极性结构图是在句法依存树的基础上加入情感极性标签和情感极性值；

步骤6：将步骤5中获得的两个特征向量分别进行方面掩码，得到仅包含方面词隐藏特征的特征向量；

步骤7：将步骤6中得到的仅包含方面词隐藏特征的基于语法距离的图卷积网络输出特征向量和步骤3中方面词的上下文信息通过注意力机制进行注意力权重分配，得到经过注意力机制处理的特征向量；其中，步骤3中方面词的上下文信息作为注意力机制的键矩阵和值矩阵，步骤6中得到的仅包含方面词隐藏特征的基于语法距离的图卷积网络输出特征向量作为注意力机制的查询矩阵；

步骤8：对步骤7中得到的经过注意力机制处理的特征向量与步骤6得到的仅包含方面词隐藏特征的基于情感极性的图卷积网络输出特征向量进行拼接融合，然后输入到分类函数，将分类函数输出结果作为目标词的情感极性预测结果。

2.如权利要求1所示的基于混合权重和双通道图卷积的方面级情感分析方法，其特征在于，所述步骤2的具体过程为：先将句子的每个单词的词性、语法关系和位置映射到低维、连续、稠密空间后得到词性嵌入、语法关系嵌入和位置嵌入，然后将词性嵌入、语法关系嵌入和位置嵌入融入到每个词的向量表示中完成融入过程。

3.如权利要求1或2所示的基于混合权重和双通道图卷积的方面级情感分析方法，其特征在于，所述步骤4中还包括获取当前的方面词与当前的方面词对应的每个上下文词中冠词，对形容词赋予高权重的词性权重，对冠词赋予低权重的词性权重，对其他词的词性权重赋予零。

4.如权利要求1所示的基于混合权重和双通道图卷积的方面级情感分析方法，其特征在于，所述步骤5中对双通道图卷积网络对句子的语法距离权重增强图进行卷积操作时，包括：对双通道图卷积网络中基于语法距离的图卷积网络当前卷积的输出，与向量表示的词性‑距离混合权重进行加权作为下次卷积的输入。