1.一种基于图神经网络的多视角文本分类方法，包含以下步骤：步骤1：对输入的文本进行预处理；

步骤2：基于固定大小的滑动窗口将文本构建成一个文本图，其中每个节点表示一个单词，边表示它们之间的语义关系；

步骤3：使用Glove词嵌入模型将文本转化为低维向量表示，这种向量保留了单词之间的语义和语法关系；

步骤4：将初始文本向量矩阵输入门控图神经网络GGNN(Gated Graph Neural Network)中，对文本数据中的语义关系和单词依赖关系建模和学习；

步骤5：为了增强文本特征的表示，将GGNN的输出分别输入到BiLSTM和TextCNN，增强文本的序列上下文特征和N‑grams局部特征表示；

步骤6：考虑到不同节点对文本的重要性不同，使用节点级注意力机制对单词节点表示进行聚合；

步骤7：将图结构特征、BiLSTM顺序特征、N‑grams局部特征输入多视角特征提取器，融合多视角文本特征表示；

步骤8：将初始文本向量矩阵输入远距离特征提取器，使用自注意力机制计算并替换图的邻接矩阵，自适应地调节单词节点的感受野；

步骤9：使用KL散度衡量多视角融合特征及远距离节点特征之间的概率分布；

步骤10：使用交叉熵损失函数与KL散度正则化项计算模型损失，联合优化模型。

2.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

2具体包括：若两个单词在大小为k的滑动窗口中同时出现，则在它们之间添加一条无向边；

无向边的权重由两个单词在滑动窗口中共现的次数决定；

形式上，文本图表示为G＝(V,E)，其中V＝{v1,v2,…,vn}表示不同单词的集合，E＝{e1,e2,…,en}表示单词之间形成的边的集合。

3.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

4具体包括：节点可以从相邻节点接收信息，然后与其在前一个时间步的表示合并，以更新每个节点的隐藏状态；具体传播过程如下:t t t‑1

z＝σ(Wza+Uzh +vz)      (2)t t t‑1

r＝σ(Wra+Urh +br)       (3)其中，表示图的归一化对称邻接矩阵，D表示度矩阵，⊙表示元素点乘；W、U和b都是可训练的权值和偏差，门控图卷积后得到的特征矩阵表示为Hg。

4.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

5具体包括：

Hl＝BiLSTM(Hg)         (6)Hc＝TextCNN(Hg)        (7)

5.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

6具体包括：只对图卷积后的特征表示Hg和序列增强后的特征表示Hl执行节点级注意力聚合操作；通过计算节点的度中心性和节点注意力权重，进一步提取文本的语义特征；对于词节点v，其度中心性记为 词节点的度中心性越高，说明它对整个句子越重要；

具体公式如下:

αv＝dv⊙σ(f1(hv))               (8)hv＝αv⊙tanh(f2(hv))              (9)f1和f2是两个多层感知机，Maxpooling表示最大池化。

6.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

7具体包括：在特征融合过程中，每个视角的语义特征被视为一个新的节点，另外两个视角的语义特征被视为它的邻居节点；语义特征矩阵定义为Hm＝Hg⊕Hl⊕Hc，邻接矩阵Am定义如下:W是一个可学习的权矩阵，⊕表示拼接操作；eij表示节点j对节点i的重要性，为了保证其他视图节点的权重不大于当前节点的权重，设σ为sigmoid激活函数；最后，只需进行简单的矩阵变换就可以得到多视角特征提取器的输出结果：

7.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

8具体包括：

首先，将初始文本向量矩阵输入到BiLSTM中得到远距离语义特征Hr，然后使用点积自注意力机制学习文本中不同单词的重要性；

对于Ar中小于0的元素被认为是负相关，因此，Ar中小于0的元素全部被置为0；最后，将Hr和Ar输入门控神经网络GGNN并采用节点级注意力聚合文本特征得到远距离语义特征

8.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

9具体包括：两个概率分布之间的差异越大，KL散度计算的值越大；对多视角融合特征 和远程节点特征 进行非线性变换，计算过程如下:

9.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤

10所述的模型损失是：

10.如权利要求1所述的一种基于图神经网络的多视角文本分类方法，其特征在于：步骤4所述的GGNN包括多层GGNN网络的堆叠,每一层用于学习高阶邻居节点的信息。