1.一种基于AI的欺诈活动分析方法，其特征在于，所述方法包括：

获取第一在线行为关系网络以及所述第一在线行为关系网络对应的先验欺诈识别数据；所述第一在线行为关系网络包含多个在线行为对象，所述先验欺诈识别数据表征所述第一在线行为关系网络中目标在线行为对象所对应的欺诈属性标签，所述目标在线行为对象为所述第一在线行为关系网络的多个在线行为对象中的至少一个；

利用欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据；

利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；

利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据，所述第一推测在线行为关系网络对应的欺诈预测数据表征所述第一推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；

依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新，并基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测。

2.根据权利要求1所述的基于AI的欺诈活动分析方法，其特征在于，所述依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新后，所述方法还包括：如果当前未接收到模型收敛信息，则获取利用所述网络生成单元对所述第一推测在线行为关系网络进行衍生观测流程中获得的所述第一推测在线行为关系网络对应的网络衍生携带数据；

利用所述网络推测单元依据所述先验欺诈识别数据和所述第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测得到第二推测在线行为关系网络，并利用更新后的网络生成单元对所述第二推测在线行为关系网络进行欺诈预测，获得所述第二推测在线行为关系网络对应的欺诈预测数据，所述第二推测在线行为关系网络对应的欺诈预测数据表征所述第二推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；

依据所述第二推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述更新后的网络生成单元进行权重参数更新。

3.根据权利要求1所述的基于AI的欺诈活动分析方法，其特征在于，所述网络衍生携带数据包括所述第一在线行为关系网络对应的欺诈预测数据和所述第一在线行为关系网络对应的衍生行为关系网络序列，所述第一在线行为关系网络对应的欺诈预测数据用于所述网络衍生携带数据，所述衍生行为关系网络序列中包括所述第一在线行为关系网络和所述第一在线行为关系网络对应的邻居行为关系网络序列；所述网络生成单元包括特征编码节点和特征解码节点，所述利用所述欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据，包括：获取所述第一在线行为关系网络的行为有向图特征，并将所述行为有向图特征加载到所述特征编码节点以依据所述特征编码节点对应的编码函数进行特征编码，获得特征编码节点对应的行为编码特征向量；

将所述特征编码节点对应的行为编码特征向量加载到所述特征解码节点以依据所述特征解码节点对应的解码函数进行特征解码，获得特征解码节点对应的行为解码特征向量；

对所述特征解码节点对应的行为解码特征向量进行规则化转换得到所述第一在线行为关系网络对应的欺诈预测数据；

依据所述特征编码节点对应的行为编码特征向量构造第一邻居行为关系网络，以及依据所述特征解码节点对应的行为解码特征向量构造第二邻居行为关系网络，并依据所述第一在线行为关系网络的行为有向图特征建立目标邻居行为关系网络；

将所述第一邻居行为关系网络、所述第二邻居行为关系网络以及所述目标邻居行为关系网络组成所述邻居行为关系网络序列。

4.根据权利要求3所述的基于AI的欺诈活动分析方法，其特征在于，所述网络推测单元包括随机块模型节点和观测模型节点，所述利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络，包括：利用所述随机块模型节点依据所述先验欺诈识别数据和所述第一在线行为关系网络对应的网络衍生携带数据中所述第一在线行为关系网络对应的欺诈预测数据生成N个模糊行为关系网络，N为不小于1的整数；

依据所述随机块模型节点的第一模型函数层和所述N个模糊行为关系网络中每个模糊行为关系网络对应的顶点间关系二维数组确定相应模糊行为关系网络对应的生成置信度；

利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述第一在线行为关系网络对应的网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度；其中，所述模糊行为关系网络m对应的网络衍生置信度表征当所述模糊行为关系网络m作为所述第一推测在线行为关系网络时，所述网络衍生携带数据存在的置信度，m不小于1且不大于N；

依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络。

5.根据权利要求4所述的基于AI的欺诈活动分析方法，其特征在于，所述基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络，包括：对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组；

基于所述目标顶点间关系二维数组生成所述第一推测在线行为关系网络；

所述对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组，包括：游走所述推测顶点间关系二维数组中每个目标数组成员，将所述推测顶点间关系二维数组中不大于门限值的数组成员替换为零，获得所述目标顶点间关系二维数组。

6.根据权利要求3所述的基于AI的欺诈活动分析方法，其特征在于，所述第一在线行为关系网络对应的欺诈预测数据包括所述第一在线行为关系网络的多个在线行为对象中每个在线行为对象对应的欺诈属性标签预测值，任一在线行为对象对应的欺诈属性标签预测值表征所述任一在线行为对象所对应的欺诈属性标签，所述先验欺诈识别数据包括表征目标在线行为对象所对应的欺诈属性标签的欺诈属性标签先验值，所述将所述第一邻居行为关系网络和所述第二邻居行为关系网络组成所述邻居行为关系网络序列之后，所述方法还包括：从所述第一在线行为关系网络对应的欺诈预测数据中获取所述目标在线行为对象对应的欺诈属性标签预测值，并确定所述目标在线行为对象对应的欺诈属性标签预测值与所述先验欺诈识别数据包括的所述欺诈属性标签先验值之间的损失函数值信息；

基于所述损失函数值信息建立所述网络生成单元对应的训练误差指标；

按照所述训练误差指标不断收敛的方向更新所述编码函数和所述解码函数；

依据更新的编码函数和解码函数分别更新所述第一在线行为关系网络对应的欺诈预测数据和所述邻居行为关系网络序列。

7.根据权利要求1-6中任意一项所述的基于AI的欺诈活动分析方法，其特征在于，所述基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测的步骤，包括：获取目标在线行为关系网络，并利用欺诈活动分析模型中更新后的所述网络生成单元对所述目标在线行为关系网络进行欺诈预测，获得所述目标在线行为关系网络对应的目标网络衍生携带数据，所述目标网络衍生携带数据包括所述目标在线行为关系网络对应的目标欺诈预测数据；

利用所述网络推测单元依据所述目标网络衍生携带数据进行网络推测得到目标第一推测在线行为关系网络；

利用所述网络生成单元对所述目标第一推测在线行为关系网络进行处理，获得所述目标第一推测在线行为关系网络对应的欺诈输出数据，所述欺诈输出数据表征所述目标在线行为关系网络中每个在线行为对象所对应的欺诈属性标签。

8.一种计算机存储介质，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于AI的欺诈活动分析方法。

9.一种数字化金融产品服务系统，其特征在于，所述数字化金融产品服务系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-7中任意一项所述的基于AI的欺诈活动分析方法。