1.一种欺诈风险预测方法，其特征在于，所述方法包括：获取历史客户集的历史客户信息集，从所述历史客户信息集中提取历史客户信息特征集，并根据所述历史客户信息特征集计算对应历史客户集的欺诈分数集；

通过所述历史客户信息特征集中每个历史客户信息特征，获取每个所述历史客户的相邻客户，并将每个历史客户与对应的相邻客户相关联；

汇总每个历史客户的相邻客户信息得到相邻客户信息特征集；

根据所述历史客户信息特征集与所述相邻客户信息特征集构建所述历史客户集的知识图谱；

利用预构建的图学习模型对所述知识图谱进行加权及累积操作，生成所述历史客户集的预测分数集；

利用损失函数计算所述预测分数集和所述欺诈分数集之间的损失值，根据所述损失值对所述图学习模型进行参数调整，直至所述损失值小于预设的损失阈值，得到训练完成的图学习模型；

获取待分析客户的知识图谱，利用所述训练完成的图学习模型对所述待分析客户的知识图谱进行预测，得到待分析客户的预测分数；

根据所述待分析客户的预测分数及预设的警戒阈值判断所述客户的欺诈风险。

2.如权利要求1所述的欺诈风险预测方法，其特征在于，所述从所述历史客户信息集中提取历史客户信息特征集，包括：对所述历史客户信息集进行分词和词性标注，得到分词及词性标注的结果；

根据所述分词及词性标注的结果提取所述分词中的名词及名词短语，并根据所述名词及名词短语，统计得到历史客户信息特征频率集，根据所述历史客户信息特征频率集生成频繁模式树；

识别所述频繁模式树中的特征，得到候选历史客户信息特征集；

计算所述候选历史客户信息特征集中各个特征的点互信息值，并从所述候选历史客户信息特征集中过滤掉点互信息值小于预设的标准阈值的历史客户信息特征，得到历史客户信息特征集。

3.如权利要求2所述的欺诈风险预测方法，其特征在于，所述通过所述历史客户信息特征集中每个历史客户信息特征，获取每个所述历史客户的相邻客户，包括：将所述历史客户信息特征集的分词转化为向量，得到历史客户信息特征向量；

从所述历史客户集中逐个选择其中一个客户作为初始历史客户，并从所述历史客户信息特征集中提取所述初始历史客户的历史客户信息特征；

将所述初始历史客户的历史客户信息特征转化为对应的向量，得到初始客户信息特征向量；

计算所述历史客户信息特征向量与所述初始客户信息特征向量之间的相似度，并根据所述相似度得到所述初始历史客户的相邻客户。

4.如权利要求3所述的欺诈风险预测方法，其特征在于，所述根据所述历史客户信息特征集与所述相邻客户信息特征集构建所述历史客户集的知识图谱，包括：从所述历史客户信息特征集与所述相邻客户信息特征集的分词中提取实体词汇及关系词汇；

将所述实体词汇及所述关系词汇进行分类，并将所述实体词汇及所述关系词汇的分类结果分别存储到实体词汇库和关系词汇库中；

基于所述实体词汇库及所述关系词汇库，构建历史客户集的知识图谱。

5.如权利要求4所述的欺诈风险预测方法，其特征在于，所述利用预构建的图学习模型对所述历史客户的知识图谱进行加权及累积操作，生成所述历史客户集的预测分数集，包括：

利用预构建图学习模型中的第i卷积层对所述知识图谱进行加权求和操作，得到第i节点表征向量，其中，i＝1,2,3…n；

将所述第i节点表征向量通过激活函数传递给第(i+1)卷积层进行加权求和，得到第(i+1)节点表征向量，直至i＝n‑1，得到第n节点表征向量；

对所述第n节点表征向量进行分类打分，得到所述历史客户集的预测分数集。

6.如权利要求5所述的欺诈风险预测方法，其特征在于，所述将所述第i节点表征向量通过激活函数传递给第(i+1)卷积层进行加权求和，得到第(i+1)节点表征向量，包括：通过如下公式计算第(i+1)节点表征向量：其中，σ()表示激活函数；l表示第l层卷积层，i表示当前节点；r表示节点与节点间的关系；R表示节点与节点间的所有关系； 表示在满足r∈R关系下，与当前节点i具有关系r的所有节点集合；ci,r表示正则化常数； 表示自循环的权重； 表示节点关系r的权重；

表示当前节点i在第l层卷积层的特征向量； 表示节点j在第l层卷积层的特征向量。

7.如权利要求1所述的欺诈风险预测方法，其特征在于，所述根据所述历史客户信息特征集计算对应历史客户集的欺诈分数集，包括：从所述历史客户集中选择其中一个历史客户，并从所述历史客户信息特征集中获取选择的所述历史客户的还贷期数、按时还贷行为数据、提前还贷行为数据、及逾期还款行为数据；

分别从所述按时还贷行为数据、提前还贷行为数据及逾期还款行为数据中提取出按时还贷天数、提前还贷天数以及逾期还款天数；

根据所述按时还贷天数、提前还贷天数以及逾期还款天数，统计选择的所述历史客户的还款行为天数；

通过如下公式计算选择的所述历史客户的历史客户欺诈分数S：S＝D×F(x)×P

其中，D表示所述还款行为天数，P表示所述还贷期数，F(x)表示正态分布函数，μ表示所述历史客户信息集的平均数，σ表示所述历史客户信息集的标准差，x预设因子。

8.一种欺诈风险预测装置，其特征在于，所述装置包括：知识图谱构建模块，用于获取历史客户集的历史客户信息集，从所述历史客户信息集中提取历史客户信息特征集，并根据所述历史客户信息特征集计算对应历史客户集的欺诈分数集；通过所述历史客户信息特征集中每个历史客户信息特征，获取每个所述历史客户的相邻客户，并将每个历史客户与对应的相邻客户相关联；汇总每个历史客户的相邻客户信息得到相邻客户信息特征集；根据所述历史客户信息特征集与所述相邻客户信息特征集构建所述历史客户集的知识图谱；

分数预测模块，用于利用预构建的图学习模型对所述知识图谱进行加权及累积操作，生成所述历史客户集的预测分数集；利用损失函数计算所述预测分数集和所述欺诈分数集之间的损失值，根据所述损失值对所述图学习模型进行参数调整，直至所述损失值小于预设的损失阈值，得到训练完成的图学习模型；获取待分析客户的知识图谱，利用所述训练完成的图学习模型对所述待分析客户的知识图谱进行预测，得到待分析客户的预测分数；

风险决策模块，用于根据所述待分析客户的预测分数及预设的警戒阈值判断所述客户的欺诈风险。

9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的欺诈风险预测方法。

10.一种计算机可读存储介质，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7中任意一项所述的欺诈风险预测方法。