1.一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，包括如下步骤：
s1：获取用户历史信用数据；
s2：根据信用数据构建用户知识图谱；
s3：利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；
s4：利用知识图谱的特征表征用户的信用特征；
s5：基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。
2.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s1中历史信用数据包括结构化数据、半结构化数据和非结构化数据。
3.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s2中具体包括：s21：对结构化数据、半结构化数据和非结构化数据进行处理预处理；s22：对预处理后的非结构化数据、半结构化和结构化信用数据进行知识抽取，并将抽取后的数据加入数据库；s23：对知识库进行知识融合，包括实体消歧、共指消解；s24：采用自底向上构建数据模型，完成结构化、网络化的知识表示；s25：根据已有的数据模型进行知识推理、知识发现，完成用户知识图谱的构建。
4.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s21中数据预处理包括：s211：读取文本：获得字的部首的全集chars_set，bios_set，relations_set；s212：遍历训练数据：将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中；s213：遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringmatrixheads封装到句子中；s214：处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0；上述token为句子中的字，relations为实体关系，heads为对应关系下标位置。
5.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s22中对非结构化数据进行知识抽取包括：s221：从所述非结构化数据中基于相关度提取关键数据，
相关度为
6.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s22中对结构化数据进行知识抽取包括：使用d2r技术对半结构化数据进行转换处理，将数据转换为关联数据。
7.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s22中对半结构化数据处理基于属性抽取、ontolog信息抽取、开放信息抽取。
8.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述s3中具体包括：s31：利用deepwalk算法对所述用户信用知识图谱图做图嵌入，获得知识图谱各节点和边的向量表征；s32：将所述各节点和边的向量表征输入图神经网络中训练，学习各节点的特征，得到用户节点的特征向量表征。
9.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，s5中风险评估模型是一个多分类模型，模型函数为softmax分类器