本公开的实施例涉及计算机，具体涉及基于图神经网络的信息推送方法、装置、设备和介质。
背景技术：
1、传统的产品账户场外配资行为识别通常采取规则判断加人工筛选的方案。首先通过一些简单的规则判断筛选出数据严重偏离平均水平的账户，然后人工判断这些账户是否存在场外配资的可能性。
2、基于机器学习的场外配资行为识别算法则包括逻辑回归、决策树、随机森林、支持向量机等分类模型算法，使用账户一定周期内的部分流转数据（理财/基金/等产品的买卖）作为特征训练模型等。
3、然而，采用上述方式，经常会存在如下技术问题：异常账户识别最终依靠监管人员的业务理解来筛选，主观性过强，账户异常识别存在偏差。
4、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了基于图神经网络的信息推送方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
3、第一方面，本公开的一些实施例提供了一种基于图神经网络的信息推送方法，该方法包括：获取初始产品流转信息集，其中，上述初始产品流转信息集中的初始产品流转信息包括：用户信息、产品流转信息、改密信息、设备信息；根据初始产品流转信息包括的各个指标，对上述初始产品流转信息集进行归置处理，以得到指标中间表集，其中，上述指标中间表集包括：用户中间表；根据上述指标中间表集，生成设备表与用户指标表；根据上述用户中间表与上述用户指标表，生成正样本基础用户指标表；根据上述设备表与上述用户指标表，构建用户同构图边表；根据上述正样本基础用户指标表，生成正样本点表与正样本边表；将上述正样本点表与上述用户指标表进行合并处理，得到全量点表；将上述正样本边表与上述用户同构图边表进行合并，得到全量边表；建立对应上述全量点表与上述全量边表的用户同构图；删除上述用户同构图中上述正样本基础用户指标表对应的边与点，以对用户同构图进行更新，得到更新用户同构图；根据上述更新用户同构图，对初始用户名单预测模型进行训练，得到训练完成的用户名单预测模型，其中，上述初始用户名单预测模型为图神经网络模型；将目标用户同构图输入至上述用户名单预测模型中，得到用户名单预测信息，以及将上述用户名单预测信息推送至目标终端。
4、第二方面，本公开的一些实施例提供了一种基于图神经网络的信息推送装置，装置包括：获取单元，被配置成获取初始产品流转信息集，其中，上述初始产品流转信息集中的初始产品流转信息包括：用户信息、产品流转信息、改密信息、设备信息；归置单元，被配置成根据初始产品流转信息包括的各个指标，对上述初始产品流转信息集进行归置处理，以得到指标中间表集，其中，上述指标中间表集包括：用户中间表；第一生成单元，被配置成根据上述指标中间表集，生成设备表与用户指标表；第二生成单元，被配置成根据上述用户中间表与上述用户指标表，生成正样本基础用户指标表；构建单元，被配置成根据上述设备表与上述用户指标表，构建用户同构图边表；第三生成单元，被配置成根据上述正样本基础用户指标表，生成正样本点表与正样本边表；第一合并单元，被配置成将上述正样本点表与上述用户指标表进行合并处理，得到全量点表；第二合并单元，被配置成将上述正样本边表与上述用户同构图边表进行合并，得到全量边表；建立单元，被配置成建立对应上述全量点表与上述全量边表的用户同构图；删除单元，被配置成删除上述用户同构图中上述正样本基础用户指标表对应的边与点，以对用户同构图进行更新，得到更新用户同构图；训练单元，被配置成根据上述更新用户同构图，对初始用户名单预测模型进行训练，得到训练完成的用户名单预测模型，其中，上述初始用户名单预测模型为图神经网络模型；输入单元，被配置成将目标用户同构图输入至上述用户名单预测模型中，得到用户名单预测信息，以及将上述用户名单预测信息推送至目标终端。
5、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
6、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
7、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于图神经网络的信息推送方法，在配资识别场景运用时序图相关技术，能够更为准确地捕捉到存在疑似配资行为的账户，免去了大量人工复核的工作。相对于现有的配资识别监控系统，准确率更高，且可以节约人力成本。同时算法被封装为可单独调用的api，通过调节神经元数量、权重等模型参数可以适应不同的数据集，实现在同行业内推广。
1.一种基于图神经网络的信息推送方法，包括：
2.根据权利要求1所述的方法，其中，所述根据初始产品流转信息包括的各个指标，对所述初始产品流转信息集进行归置处理，以得到指标中间表集，包括：
3.根据权利要求1所述的方法，其中，所述根据所述指标中间表集，生成设备表与用户指标表，包括：
4.根据权利要求1所述的方法，其中，所述用户中间表中的每条用户中间信息包括：流转价值与流转次数；以及所述根据所述用户中间表与所述用户指标表，生成正样本基础用户指标表，包括：
5.根据权利要求1所述的方法，其中，所述删除所述用户同构图中所述正样本基础用户指标表对应的边与点，以对用户同构图进行更新，包括：
6.一种基于图神经网络的用户信息推送装置，包括：
7.一种电子设备，包括：
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
