1.一种基于人工智能的欺诈行为分析方法，其特征在于，所述方法包括：

获取目标金融服务用户的用户行为有向图数据；

基于欺诈行为分析神经网络对所述目标金融服务用户的用户行为有向图数据进行欺诈标签偏离值估计，获得所述目标金融服务用户的欺诈标签偏离值；其中，所述欺诈行为分析神经网络是通过结合模板用户行为有向图数据的欺诈标签偏离值进行网络权重参数更新生成的，所述模板用户行为有向图数据的欺诈标签偏离值用于表示分别依据两种欺诈标签值估计策略来计算所述模板用户行为有向图数据的欺诈标签值时得到的欺诈标签损失值，所述两种欺诈标签值估计策略包括第一欺诈标签值估计策略以及第二欺诈标签值估计策略，所述第一欺诈标签值估计策略的准确性评分小于所述第二欺诈标签值估计策略的准确性评分，且所述第一欺诈标签值估计策略的估计性能值大于所述第二欺诈标签值估计策略的估计性能值；

对所述目标金融服务用户的用户行为有向图数据进行所述第一欺诈标签值估计策略，获得所述目标金融服务用户的第一欺诈标签值；

依据所述目标金融服务用户的欺诈标签偏离值对所述目标金融服务用户的第一欺诈标签值进行偏离值优化，获得所述目标金融服务用户的第二欺诈标签值；

所述基于欺诈行为分析神经网络对所述目标金融服务用户的用户行为有向图数据进行欺诈标签偏离值估计，获得所述目标金融服务用户的欺诈标签偏离值，包括：基于所述欺诈行为分析神经网络对所述用户行为有向图数据进行欺诈矢量描述，获得所述目标金融服务用户的欺诈标签偏离矢量；

基于所述欺诈行为分析神经网络对所述欺诈标签偏离矢量进行欺诈标签偏离值估计，获得所述目标金融服务用户的欺诈标签偏离值；

所述欺诈行为分析神经网络包括K个依次连接的欺诈知识描述单元，所述基于所述欺诈行为分析神经网络对所述用户行为有向图数据进行欺诈矢量描述，获得所述目标金融服务用户的欺诈标签偏离矢量，包括：对所述用户行为有向图数据中各用户行为数据进行基础欺诈知识矢量描述，获得各用户行为数据的基础欺诈知识矢量；

响应于k为1≤k≤K-2，基于K个依次连接的欺诈知识描述单元中的第k欺诈知识描述单元，对所述第k欺诈知识描述单元的加载数据进行第k欺诈矢量描述，获得各所述用户行为数据的第k欺诈知识矢量，并将所述第k欺诈知识矢量加载至第k+1欺诈知识描述单元以继续进行第k+1欺诈矢量描述；

响应于k为K-1，基于所述第k+1欺诈知识描述单元对各所述用户行为数据的第k欺诈知识矢量进行欺诈时域矢量提取，获得各所述用户行为数据的第k+1欺诈时域矢量，并基于所述第k+1欺诈知识描述单元对各所述用户行为数据的第k欺诈知识矢量进行欺诈空域矢量提取，获得各所述用户行为数据的第k+1欺诈空域矢量，将各所述用户行为数据的第k+1欺诈时域矢量以及第k+1欺诈空域矢量组成所述欺诈标签偏离矢量；

其中，K满足2≤K，k为1逐渐递增的正整数，且k满足1≤k≤K-1；响应于k为1时，所述第k欺诈知识描述单元的加载数据为各用户行为数据的基础欺诈知识矢量，响应于k为2≤k≤K-1时，所述第k欺诈知识描述单元的加载数据为第k-1欺诈知识描述单元输出的各用户行为数据的第k-1欺诈知识矢量；

所述对所述用户行为有向图数据中各用户行为数据进行基础欺诈知识矢量描述，获得各用户行为数据的基础欺诈知识矢量，包括：获取所述用户行为有向图数据中各用户行为数据的基础欺诈时域矢量，并获取所述用户行为有向图数据中各用户行为数据的基础欺诈空域矢量；其中，所述基础欺诈时域矢量用于反映所述用户行为数据的时间序列矢量，所述基础欺诈空域矢量用于反映所述用户行为数据的空间序列矢量；

针对所述用户行为有向图数据中各所述用户行为数据执行下述步骤：

获取所述用户行为有向图数据中除所述用户行为数据之外的至少一个其它用户行为数据，并获取所述用户行为数据与各所述其它用户行为数据之间的初始有向路径关系，所述初始有向路径关系用于反映所述用户行为数据与其它用户行为数据的行为流向关系；

将各所述用户行为数据的基础欺诈时域矢量、各所述用户行为数据的基础欺诈空域矢量以及各所述用户行为数据的初始有向路径关系，组成各所述用户行为数据的基础欺诈知识矢量；

所述基于K个依次连接的欺诈知识描述单元中的第k欺诈知识描述单元，对所述第k欺诈知识描述单元的加载数据进行第k欺诈矢量描述，获得各所述用户行为数据的第k欺诈知识矢量，包括：基于所述第k欺诈知识描述单元对各所述用户行为数据执行下述步骤： 获取所述用户行为有向图数据中除所述用户行为数据之外的其它用户行为数据；

对所述用户行为数据的第k-1欺诈知识矢量以及各所述其它用户行为数据的第k-1欺诈知识矢量，执行第一矢量映射，获得所述用户行为数据对应各所述其它用户行为数据的第k有向关系矢量；

对所述用户行为数据的第k-1欺诈知识矢量以及所述用户行为数据对应各所述其它用户行为数据的第k有向关系矢量，执行第二矢量映射，获得所述用户行为数据的第k欺诈知识矢量；

所述基于所述第k+1欺诈知识描述单元对各所述用户行为数据的第k欺诈知识矢量进行欺诈时域矢量提取，获得各所述用户行为数据的第k+1欺诈时域矢量，包括：从各所述用户行为数据的第k欺诈知识矢量中提取出所述用户行为数据的第k欺诈空域矢量、所述用户行为数据的第k欺诈时域矢量以及所述用户行为数据的第k有向路径关系；

针对各所述用户行为数据，获取所述用户行为有向图数据中除所述用户行为数据外的其它用户行为数据，并针对各所述其它用户行为数据执行下述步骤：从所述用户行为数据的第k有向路径关系中提取所述用户行为数据针对所述其它用户行为数据的第k有向路径关系，并获取所述用户行为数据的第k欺诈空域矢量与所述其它用户行为数据的第k欺诈空域矢量之间的第二矢量距离；

对所述第二矢量距离的平方、所述用户行为数据的第k欺诈时域矢量、所述其它用户行为数据的第k欺诈时域矢量、以及所述用户行为数据针对所述其它用户行为数据的第k有向路径关系，执行第一矢量融合，获得所述用户行为数据对应所述其它用户行为数据的第k+1有向关系矢量；

将所述用户行为数据对应多个所述其它用户行为数据的第k+1有向关系矢量进行融合，获得所述用户行为数据的第k+1有向关系矢量；

对所述用户行为数据的第k欺诈时域矢量以及所述用户行为数据的第k+1有向关系矢量进行第二矢量融合，获得所述用户行为数据的第k+1欺诈时域矢量；

所述对所述用户行为数据的第k-1欺诈知识矢量以及各所述其它用户行为数据的第k-1欺诈知识矢量，执行第一矢量映射，获得所述用户行为数据对应各所述其它用户行为数据的第k有向关系矢量，包括：从所述用户行为数据的第k-1欺诈知识矢量中提取出所述用户行为数据的第k-1欺诈空域矢量、所述用户行为数据的第k-1欺诈时域矢量、以及所述用户行为数据的第k-1有向路径关系；

从各所述其它用户行为数据的第k-1欺诈知识矢量中提取出各所述其它用户行为数据的第k-1欺诈空域矢量、以及各所述其它用户行为数据的第k-1欺诈时域矢量；

针对各所述其它用户行为数据执行下述步骤：

从所述用户行为数据的第k-1有向路径关系中提取所述用户行为数据针对所述其它用户行为数据的第k-1有向路径关系；

获取所述用户行为数据的第k-1欺诈空域矢量与所述其它用户行为数据的第k-1欺诈空域矢量之间的第一矢量距离；

对所述第一矢量距离的平方、所述用户行为数据的第k-1欺诈时域矢量、所述其它用户行为数据的第k-1欺诈时域矢量、以及所述用户行为数据针对所述其它用户行为数据的第k-1有向路径关系，执行第一矢量融合，获得所述用户行为数据对应所述其它用户行为数据的第k有向关系矢量；

所述对所述用户行为数据的第k-1欺诈知识矢量以及所述用户行为数据对应各所述其它用户行为数据的第k有向关系矢量，执行第二矢量映射，获得所述用户行为数据的第k欺诈知识矢量，包括：将所述用户行为数据对应多个所述其它用户行为数据的第k有向关系矢量进行融合，获得所述用户行为数据的第k有向关系矢量；

对所述用户行为数据的第k-1欺诈时域矢量以及所述用户行为数据的第k有向关系矢量进行第二矢量融合，获得所述用户行为数据的第k欺诈时域矢量；

获取所述用户行为数据的第k-1欺诈空域矢量与各所述其它用户行为数据的第k-1欺诈空域矢量之间的第一矢量距离；

对所述用户行为数据对应各所述其它用户行为数据的第k有向关系矢量进行矢量映射，获得各所述其它用户行为数据的行为影响系数；

依据各所述其它用户行为数据的行为影响系数，对多个所述其它用户行为数据的第一矢量距离进行权重融合计算，获得对应所述用户行为数据的融合计算数据；

将所述用户行为数据的融合计算数据与所述用户行为数据的第k-1欺诈空域矢量进行融合，获得所述用户行为数据的第k欺诈空域矢量；

将所述用户行为数据的初始有向路径关系作为所述用户行为数据的第k有向路径关系，并将所述用户行为数据的第k有向路径关系、所述用户行为数据的第k欺诈时域矢量以及所述用户行为数据的第k欺诈空域矢量，组成所述用户行为数据的第k欺诈知识矢量。

2.根据权利要求1所述的基于人工智能的欺诈行为分析方法，其特征在于，在基于欺诈行为分析神经网络对所述目标金融服务用户的用户行为有向图数据进行欺诈标签偏离值估计，获得所述目标金融服务用户的欺诈标签偏离值之前，所述方法还包括：获取模板用户行为有向图数据，并对所述模板用户行为有向图数据进行特征衍生，获得多个模板衍生行为有向图数据；

获取各所述模板衍生行为有向图数据的欺诈标签偏离标注值；

将各所述模板衍生行为有向图数据在初始欺诈行为分析神经网络中进行正向传播，获得各所述模板衍生行为有向图数据的欺诈标签偏离预测值；

依据各所述模板衍生行为有向图数据的欺诈标签偏离标注值以及各所述模板衍生行为有向图数据的欺诈标签偏离预测值，确定全局训练代价值；

将所述全局训练代价值在所述初始欺诈行为分析神经网络中进行反向传播处理，获得所述全局训练代价值收敛时所述初始欺诈行为分析神经网络的网络权重更新信息，并依据所述网络权重更新信息更新所述初始欺诈行为分析神经网络的网络权重信息；

所述获取各所述模板衍生行为有向图数据的欺诈标签偏离标注值，包括：

针对各所述模板衍生行为有向图数据执行下述步骤：

对所述模板衍生行为有向图数据进行第一欺诈标签值估计策略，获得所述模板衍生行为有向图数据的第一欺诈标签值； 对所述模板衍生行为有向图数据进行第二欺诈标签值估计策略，获得所述模板衍生行为有向图数据的第二欺诈标签值；

获取所述模板衍生行为有向图数据的第二欺诈标签值与所述模板衍生行为有向图数据的第一欺诈标签值之间的第一损失值，作为所述模板衍生行为有向图数据的欺诈标签偏离标注值；

所述依据各所述模板衍生行为有向图数据的欺诈标签偏离标注值以及各所述模板衍生行为有向图数据的欺诈标签偏离预测值，确定全局训练代价值，包括：针对各所述模板衍生行为有向图数据执行下述步骤：

依据所述模板衍生行为有向图数据的欺诈标签偏离标注值以及所述模板衍生行为有向图数据的欺诈标签偏离预测值，确定所述模板衍生行为有向图数据的第一均方根损失值；

获取所述模板用户行为有向图数据的除所述模板衍生行为有向图数据之外的其它模板衍生行为有向图数据；

针对各所述其它模板衍生行为有向图数据执行下述步骤：确定所述模板衍生行为有向图数据的欺诈标签偏离标注值与所述其它模板衍生行为有向图数据的欺诈标签偏离标注值之间的第二损失值，并确定所述模板衍生行为有向图数据的欺诈标签偏离预测值与所述其它模板衍生行为有向图数据的欺诈标签偏离预测值之间的第三损失值；

对所述第二损失值以及所述第三损失值执行均方根计算，获得所述模板衍生行为有向图数据对应所述其它模板衍生行为有向图数据的第二均方根损失值；

将所述模板衍生行为有向图数据对应多个所述其它模板衍生行为有向图数据的第二均方根损失值进行融合，获得所述模板衍生行为有向图数据的第三均方根损失值；

对多个所述模板衍生行为有向图数据的第一均方根损失值以及多个所述模板衍生行为有向图数据的第三均方根损失值进行第三矢量融合，获得对应所述欺诈行为分析神经网络的全局训练代价值。

3.一种数字金融大数据系统，其特征在于，所述数字金融大数据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或2所述的基于人工智能的欺诈行为分析方法。