技术特征：
1.一种基于权重不确定的图卷积神经网络的优化方法，其特征在于，包括：获取图结构数据并进行预处理；构建图卷积神经网络，并基于所述图卷积神经网络的权重参数先验分布，通过kl散度损失获取所述图卷积神经网络的权重参数后验分布；根据所述权重参数后验分布更新所述图卷积神经网络，并使用所述图结构数据训练所述更新后的图卷积神经网络，得到优化后的图卷积神经网络。2.如权利要求1所述的基于权重不确定的图卷积神经网络的优化方法，其特征在于，所述基于所述图卷积神经网络的权重参数先验分布，通过kl散度损失获取所述图卷积神经网络的权重参数后验分布的步骤包括：获取所述图卷积神经网络的权重参数先验分布，所述权重参数包括权重的期望和权重的方差；初始化所述图卷积神经网络的权重参数后验分布并对进行重采样，得到所述权重参数后验分布重采样后的初始值；根据所述权重参数先验分布和所述权重参数后验分布重采样后的初始值使用kl散度损失更新所述图卷积神经网络的权重参数后验分布。3.如权利要求2所述的基于权重不确定的图卷积神经网络的优化方法，其特征在于，所述根据所述权重参数后验分布更新所述图卷积神经网络的步骤包括：基于所述重采样权重参数后验分布进行所述图卷积神经网络的前向传播并计算交叉熵损失；基于所述交叉熵损失和所述kl散度损失计算总损失；根据所述总损失使用变分贝叶斯推理进行反向传播，计算出所述权重参数后验分布的梯度；使用所述梯度对所述权重参数后验分布进行优化，并将优化后的权重参数后验分布更新所述图卷积神经网络的权重参数。4.如权利要求3所述的基于权重不确定的图卷积神经网络的优化方法，其特征在于，所述使用所述梯度对所述权重参数后验分布进行优化包括：根据所述梯度对所述权重参数后验分布进行随机梯度下降优化。5.如权利要求4所述的基于权重不确定的图卷积神经网络的优化方法，其特征在于，所述kl散度损失使所述权重参数先验分布与所述权重参数后验分布之间的距离变小来更新所述权重参数后验分布。6.如权利要求1至5任一项所述的基于权重不确定的图卷积神经网络的优化方法，其特征在于，所述图结构数据的预处理包括归一化处理。7.一种基于权重不确定的图卷积神经网络的优化装置，其特征在于，包括：获取模块，用于获取图结构数据并进行预处理；构建模块，用于构建图卷积神经网络，并基于所述图卷积神经网络的权重参数先验分布，通过kl散度损失获取所述图卷积神经网络的权重参数后验分布；更新模块，用于根据所述权重参数后验分布更新所述图卷积神经网络，并使用所述图结构数据训练所述更新后的图卷积神经网络，得到优化后的图卷积神经网络。8.一种基于权重不确定的图卷积神经网络的节点分类系统，其特征在于，
包括用于获取并预处理图结构数据的获取单元、用于从所述图结构数据中提取节点特征并进行节点分类的基于权重不确定的图卷积神经网络模型，其中，所述图卷积神经网络模型根据如权利要求1至6任一项所述的基于权重不确定的图卷积神经网络的优化方法进行优化训练而具有权重不确定的特性。9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于权重不确定的图卷积神经网络的优化方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于权重不确定的图卷积神经网络的优化方法的步骤。