1.一种基于异构多关系图的话题检测方法，其特征在于，包括：获取社交平台的异构数据；

基于所述异构数据，构建异构信息多关系图；

编码所述异构信息多关系图，得到所述异构信息多关系图的初始化特征表示；

基于所述初始化特征表示，对所述异构信息多关系图的节点进行筛选；

对筛选后的节点的信息进行聚合，得到所述异构信息多关系图的最终特征表示；

基于所述最终特征表示，得到话题关键字；

所述异构信息多关系图的初始化特征表示为：；

其中V是节点集合；E是边的集合；R是关系集合；W是权重参数；

基于所述异构数据，构建异构信息多关系图，进一步包括：将不同类型的话题元素作为节点，围绕中心话题元素，根据所述异构数据同步出现的方式建立所述节点之间的边；

将两个所述节点之间存在相同关系的边的数量作为两个所述节点之间的边的权重参数；

编码所述异构信息多关系图，得到所述异构信息多关系图的初始化特征表示，进一步包括：确定所述异构信息多关系图中节点的内容，并根据所述内容的类型进行预训练；

对预训练后得到的内容特征进行转换，得到统一特征维度后的内容特征；

采用双向LSTM网络对统一特征维度后的内容特征进行特征交叉，得到所述异构信息多关系图的特征表示；

对所述特征表示进行转换，得到所述异构信息多关系图的初始化特征表示。

2.根据权利要求1所述的基于异构多关系图的话题检测方法，其特征在于，对所述异构信息多关系图的节点进行筛选，进一步包括：采用多智能体强化学习引导所述异构信息多关系图的每个关系执行邻域选择。

3.根据权利要求2所述的基于异构多关系图的话题检测方法，其特征在于，所述邻域选择方法进一步包括：将关系r下的每个邻居节点进行排序；

为每一个相邻关系建立智能体，作为保留阈值S的选择器；

每一个所述智能体采用Actor‑critic算法通过Actor网络根据在所述关系r下观察到的状态选择保留阈值S。

4.根据权利要求3所述的基于异构多关系图的话题检测方法，其特征在于，对筛选后的节点的信息进行聚合，得到所述异构信息多关系图的最终特征表示，进一步包括：对于关系内的节点，采用图注意力网络，按照注意力系数加权求和的方式进行信息聚合，得到所述关系内的节点的嵌入表示；

对于关系间的节点，采用图注意力网络进行拼接聚合，得到所述关系间的节点的嵌入表示；

对所述异构信息多关系图中每个节点均按照上述方法更新嵌入表示，形成所述异构多关系图的最终特征表示。

5.一种基于异构多关系图的话题检测装置，其特征在于，包括：获取模块，用于获取社交平台的异构数据；

构建模块，用于基于所述异构数据，构建异构信息多关系图；基于所述异构数据，构建异构信息多关系图，进一步包括：将不同类型的话题元素作为节点，围绕中心话题元素，根据所述异构数据同步出现的方式建立所述节点之间的边；

将两个所述节点之间存在相同关系的边的数量作为两个所述节点之间的边的权重参数；

编码模块，用于编码所述异构信息多关系图，得到所述异构信息多关系图的初始化特征表示；所述异构信息多关系图的初始化特征表示为：；

其中V是节点集合；E是边的集合；R是关系集合；W是权重参数；

编码所述异构信息多关系图，得到所述异构信息多关系图的初始化特征表示，进一步包括：确定所述异构信息多关系图中节点的内容，并根据所述内容的类型进行预训练；

对预训练后得到的内容特征进行转换，得到统一特征维度后的内容特征；

采用双向LSTM网络对统一特征维度后的内容特征进行特征交叉，得到所述异构信息多关系图的特征表示；

对所述特征表示进行转换，得到所述异构信息多关系图的初始化特征表示；

筛选模块，用于基于所述初始化特征表示，对所述异构信息多关系图的节点进行筛选；

聚合模块，用于对筛选后的节点的信息进行聚合，得到所述异构信息多关系图的最终特征表示；

输出模块，用于基于所述最终特征表示，得到话题关键字。

6.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于异构多关系图的话题检测方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于异构多关系图的话题检测方法。