本发明涉及计算机人工智能，尤其涉及一种基于图神经网络的用户web数据分析方法、装置、设备及介质。
背景技术：
1、人们在通过web购物时，通常根据个人兴趣及需求，对商品及对话有目的性的进行点击、购买及对话选择，现有技术通常采用图数据库或者图结构来表示这种场景，并通过用户的历史兴趣和历史需求，通过图数据库或者图结构来预测用户当前最感兴趣的链接、商品及对话进行推荐。
2、同时，随着现有人工智能技术越来越发达，很多链接、商品及对话的历史数据不再可靠，这会导致对于用户兴趣的预测失效，相同或者相似用户之间会产生干扰，同时这种泛滥的人工智能行为还会引发对应的网络安全事故。
3、现有技术对于用户兴趣的预测和用户行为的预测均为单向的，没有考虑用户兴趣的预测和用户行为的预测之间的关联，无法对用户兴趣及用户行为安全进行有效关联，导致无法对用户兴趣和用户行为安全进行有效预测。
技术实现思路
1、本发明实施例的主要目的在于提出一种基于图神经网络的用户web数据分析方法、装置、设备及介质，提高了用户感兴趣商品的推荐准确率，提高了商品购买时行为安全的预测准确度。
2、本发明的一方面提供了一种基于图神经网络的用户web数据分析方法，包括：
3、获取用户的历史web数据和当前web数据，对所述历史web数据进行初始化并获取历史会话集合；
4、对所述历史会话集合采用web数据分析模型进行预测，得到第一会话预测结果和第一用户行为安全预测结果；
5、根据所述第一会话预测结果和所述第一用户行为安全预测结果，执行确定所述当前web数据的推荐和用户监控中的至少一种处理；
6、所述web数据分析模型通过以下步骤得到：
7、获取训练数据集，从所述训练数据集提取第一会话集合，所述第一会话集合为不重复的第一会话；
8、生成第一图结构，将所述第一会话进行嵌入至第一图结构，所述第一图结构包括第一节点和第一边，其中第一节点表示所述第一会话，所述第一边表示所述第一会话之间的时序关系；
9、在所述第一图结构中添加第二节点，所述第二节点与所有第一节点通过第二边进行连接，得到第二图结构，所述第二节点用于传递不相连的所述第一节点的信息；
10、对所述第二图结构采用图神经网络对嵌入目标进行预测，得到第二会话预测结果；
11、根据所述第二会话预测结果生成第三图结构，对所述第三图结构采用图自编码器进行预测，得到第二用户行为安全预测结果；
12、根据第二会话预测结果及第二用户行为安全预测结果确定所述web数据分析模型的训练参数及训练参数的权重比，根据所述训练参数及所述训练参数的权重比确定所述web数据分析模型。
13、根据所述的基于图神经网络的用户web数据分析方法，其中方法还包括：
14、对所述第二图结构进行初始化处理，包括对所述第一节点进行初始化，包括对每个第一节点填充不同的商品；
15、将所有第一节点的特征向量通过一个全连接层进行处理，得到所述第二节点的初始化。
16、根据所述的基于图神经网络的用户web数据分析方法，其中方法还包括：
17、对所述第一节点和所述第二节点采用消息传递机制进行更新，包括对每个所述第一节点使用消息传递函数从相邻节点获取第一特征向量；
18、对所述第二特征向量根据所述第一向量进行聚合处理，得到更新后的第二节点的节点特征，其中聚合处理包括均值聚合及加权聚合中的一种；
19、对所述第二节点跟根据更新后的第二节点的节点特征进行更新，得到第二特征向量，迭代执行上述的更新步骤，直至所述第一特征向量和所述第二特征的变化值小于预设值。
20、根据所述的基于图神经网络的用户web数据分析方法，其中对所述第二图结构采用图神经网络对嵌入目标进行预测，得到第二会话预测结果，包括：
21、以第二节点更新后的第二特征向量作为第二图结构表示，以及，从第二图结构中根据用户兴趣选取多个所述第一节点，生成会话表示；
22、对所述会话表示采用图神经网络进行相似度计算及用户兴趣预测，其中相似度计算通过计算第一节点与不同会话中第二节点之间的相似度，确定第二节点与不同会话表示之间的关联程度；
23、根据第一节点与不同会话中第二节点之间的相似度，预测用户对不同会话表示中商品的兴趣程度，得到第二预测结果。
24、根据所述的基于图神经网络的用户web数据分析方法，其中根据所述第二会话预测结果生成第三图结构，对所述第三图结构采用图自编码器进行预测，得到第二用户行为安全预测结果，包括：
25、将多个所述第二预测结果按照时序链生成第三图结构；
26、通过图自编码器获取所述第三图结构中每个节点的邻居节点特征信息，生成第三图结构的节点表示；
27、对第三图结构的节点表示采用自编码器进行重构，得到第三图结构的重构节点表示，根据第三图结构的节点表示及第三图结构的重构节点表示，计算重构误差；
28、根据预设误差和所述重构误差，确定所述第三图结构的第二用户行为安全预测结果。
29、根据所述的基于图神经网络的用户web数据分析方法，其中自编码器包括：
30、获取包括有正常购买商品和安全风险行为的训练数据，采用基于图自编码器将训练数据转换为低维向量，并通过图自编码器预测原始图和重构图；
31、根据原始图和重构图的确定差异度量，根据差异度量确定图自编码器的损失函数；
32、根据损失函数对自编码器进行反向传播和更新处理，包括采用随机梯度下降进行自编码器的参数更新。
33、根据所述的基于图神经网络的用户web数据分析方法，其中根据所述第一会话预测结果和所述第一用户行为安全预测结果，执行确定所述当前web数据的推荐和用户监控中的至少一种处理，包括：
34、所述第一会话预测结果为感兴趣商品时，提高对用户的感兴趣商品预测的权重，否则，降低提高对用户的感兴趣商品预测的权重并提高对用户的安全预测的权重。
35、本发明实施例的另一方面提供了一种基于图神经网络的用户web数据分析装置，包括：
36、第一模块，用于获取用户的历史web数据和当前web数据，对所述历史web数据进行初始化并获取历史会话集合；
37、第二模块，用于对所述历史会话集合采用web数据分析模型进行预测，得到第一会话预测结果和第一用户行为安全预测结果；
38、第三模块，用于根据所述第一会话预测结果和所述第一用户行为安全预测结果，执行确定所述当前web数据的推荐和用户监控中的至少一种处理；
39、所述web数据分析模型通过第四模块、第五模块、第六模块、第七模块、第八模块及第九模块训练得到：
40、所述第四模块用于获取训练数据集，从所述训练数据集提取第一会话集合，所述第一会话集合为不重复的第一会话；
41、所述第五模块用于生成第一图结构，将所述第一会话进行嵌入至第一图结构，所述第一图结构包括第一节点和第一边，其中第一节点表示所述第一会话，所述第一边表示所述第一会话之间的时序关系；
42、所述第六模块用于在所述第一图结构中添加第二节点，所述第二节点与所有第一节点通过第二边进行连接，得到第二图结构，所述第二节点用于传递不相连的所述第一节点的信息；
43、所述第七模块用于对所述第二图结构采用图神经网络对嵌入目标进行预测，得到第二会话预测结果；
44、所述八模块用于根据所述第二会话预测结果生成第三图结构，对所述第三图结构采用图自编码器进行预测，得到第二用户行为安全预测结果；
45、所述第九模块用于根据第二会话预测结果及第二用户行为安全预测结果确定所述web数据分析模型的训练参数及训练参数的权重比，根据所述训练参数及所述训练参数的权重比确定所述web数据分析模型。
46、本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
47、所述存储器用于存储程序；
48、所述处理器执行所述程序实现如前文所描述的方法。
49、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
50、本发明的有益效果为：通过在用户会话对应的图结构(图数据)中添加额外的(第二)节点，以提高对用户商品的推荐效果；通过图神经网络基于用户兴趣进行商品推荐，同时还使用了自编码器对可能存在的风险行为进行预测(如基于人工智能的刷单、无效浏览及恶意评论等)，提高了用户感兴趣商品的推荐准确率，提高了商品购买时行为安全的预测准确度。
1.一种基于图神经网络的用户web数据分析方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的用户web数据分析方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的基于图神经网络的用户web数据分析方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的基于图神经网络的用户web数据分析方法，其特征在于，所述对所述第二图结构采用图神经网络对嵌入目标进行预测，得到第二会话预测结果，包括：
5.根据权利要求4所述的基于图神经网络的用户web数据分析方法，其特征在于，所述根据所述第二会话预测结果生成第三图结构，对所述第三图结构采用图自编码器进行预测，得到第二用户行为安全预测结果，包括：
6.根据权利要求5所述的基于图神经网络的用户web数据分析方法，其特征在于，所述自编码器包括：
7.根据权利要求1所述的基于图神经网络的用户web数据分析方法，其特征在于，所述根据所述第一会话预测结果和所述第一用户行为安全预测结果，执行确定所述当前web数据的推荐和用户监控中的至少一种处理，包括：
8.一种基于图神经网络的用户web数据分析装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的基于图神经网络的用户web数据分析方法。
