1.一种图网络分类模型的训练方法，其特征在于，所述方法包括：采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；

将有标签节点的图数据输入到分类模型进行训练；

使用训练完成后的分类模型对无标签节点的图数据分类；

随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；

将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型。

2.根据权利要求1所述的一种图网络分类模型的训练方法，其特征在于，将所述图数据集划分为有标签节点和无标签节点之后还包括对所述图数据集进行预处理，即去重处理、剔除无用数据以及规范化。

3.根据权利要求1所述的一种图网络分类模型的训练方法，其特征在于，所述计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本包括：随机从有标签节点和无标签节点中挑选出对抗节点；

选择对损失函数影响最大的一组对抗节点，将这组对抗节点所连接的边作为第一候选边；

选择对损失函数影响最小的一组对抗节点，将这组对抗节点所连接的边作为第二候选边；

将所述第一候选边加入到无标签节点的图数据的邻接矩阵中，将所述第二候选边从所述无标签节点的图数据的邻接矩阵中删除；

分别计算出在邻接矩阵中加入第一候选边和删除第二候选边对分类预测效果的影响；

将影响较大的无标签节点的图数据的邻接矩阵作为对抗样本。

4.根据权利要求3所述的一种图网络分类模型的训练方法，其特征在于，在所述将影响较大的无标签节点的图数据的邻接矩阵作为对抗样本后还包括判断所述无标签节点的图数据的邻接矩阵与对抗样本之间的范数是否小于扰乱预算，若小于扰乱预算，则返回使用随机采样算法从图数据集中选择出w组对抗节点，继续生成对抗样本；否则输出当前的对抗样本。

5.根据权利要求1所述的一种图网络分类模型的训练方法，其特征在于，所述将对抗样本输入到训练完成后的分类模型再次进行训练中采用更新后的损失函数，所述更新后的损失函数表示为：

其中，J(A',X)表示对抗样本A'与图数据集之间的损失函数；L表示有标签节点的集合；

其中loss(yi，zi)＝(max(zi，：)‑yi)； yi表示有标签数据集中i节点的标签值，zi表示有标签数据集中i节点的标签预测值；α表示权重参数；其中zi，：表示有标签数据集中i节点的所有标签值；zj，：表示无标签数据集中j节点的所有标签值；U表示无标签节点的集合；yj表示无标签数据集中j节点的标签值，A′为对抗样本，X为节点特征。

6.一种图网络分类模型的训练装置，其特征在于，所述装置包括：数据采集模块，用于采集图数据集；

预处理模块，用于将所述数据集划分为有标签节点和无标签节点；

第一训练模块，用于将有标签节点的图数据输入到分类模型进行训练；

预分类模块，用于从训练完成后的分类模型对无标签节点的图数据分类；

数据生成模块，用于选择部分标签节点作为对抗节点，并计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；

第二训练模块，用于将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型。

7.一种图网络分类模型的训练系统，其特征在于，所述系统包括数据采集服务器和数据训练服务器；

所述数据采集服务器，用于采集图数据集并将所述图数据集划分为有标签节点和无标签节点；

所述数据训练服务器，用于将有标签节点的图数据输入到分类模型进行训练；

使用训练完成后的分类模型对无标签节点的图数据分类；

随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；

将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型。

8.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一所述的一种图网络分类模型的训练方法。