1.基于深度学习的推荐系统恶意攻击检测方法，其特征在于，包括：

获取目标点击行为对应的用户编号、商品编号、用户特征和商品特征；

根据用户编号、商品编号和基于GCN的嵌入表示模型，获得用户嵌入和商品嵌入；

根据用户嵌入、商品嵌入、用户特征、商品特征和训练好的恶意攻击识别分类器，获得目标点击行为的识别结果，其中，恶意攻击识别分类器以用户嵌入、商品嵌入、用户特征和商品特征为输入，以目标点击行为的识别结果为输出，通过集成学习构建获得。

2.如权利要求1所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，基于GCN的嵌入表示模型，包括嵌入层、多个嵌入传播层和聚合层，每个嵌入传播层均基于GCN构建获得；嵌入层以用户编号和商品编号为输入，获得初始化用户嵌入和初始化商品嵌入；多个嵌入传播层依次连接，初始化用户嵌入和初始化商品嵌入输入第一个嵌入传播层中，每个嵌入传播层能够聚合来自商品邻居传播的消息以及用户在该嵌入层的自身原始特征信息，获得用户在该嵌入层的用户表示，聚合来自用户邻居传播的消息以及商品在该嵌入层的自身原始特征信息，获得商品在该嵌入层的商品表示；聚合层对所有嵌入传播层的用户表示进行拼接，获得用户嵌入；对所有嵌入传播层的商品表示进行拼接，获得商品嵌入。

3.如权利要求2所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，将用户编号对应点击过的所有商品的商品编号，构建初始化用户嵌入和初始化商品嵌入。

4.如权利要求1所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，恶意攻击识别分类器包括多个并行的基分类器，每个基分类器均以用户嵌入、商品嵌入、用户特征和商品特征为输入，以目标点击行为的初始识别结果为输出，通过分类器权重软投票策略对所有基分类器获得的目标点击行为的初始识别结果进行投票，获得目标点击行为的识别结果。

5.如权利要求4所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，将每个基分类器的识别准确率作为对应的每个基分类器的权重，对所有基分类器获得的目标点击行为的初始识别结果进行投票。

6.如权利要求4所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，每个基分类器均对用户嵌入、商品嵌入、用户特征和商品特征分别进行特征提取，对应获得用户嵌入高级特征、商品嵌入高级特征、用户高级特征和商品高级特征；对用户嵌入高级特征、商品嵌入高级特征、用户高级特征和商品高级特征进行识别，获得目标点击行为的初始识别结果。

7.如权利要求6所述的基于深度学习的推荐系统恶意攻击检测方法，其特征在于，每个基分类器对用户特征和商品特征分别进行三次卷积操作和池化操作，并将池化结果进行全局平均池化，再通过全连接层获得用户高级特征和商品高级特征；对用户嵌入和商品嵌入分别进行一次卷积和池化操作，并将池化结果进行全局平均池化，再通过全连接层分别得到用户嵌入高级特征和商品嵌入高级特征。

8.基于深度学习的推荐系统恶意攻击检测系统，其特征在于，包括：

目标点击行为特征获取模块，用于获取目标点击行为对应的用户编号、商品编号、用户特征和商品特征；

用户嵌入和商品嵌入获取模块，用于根据用户编号、商品编号和基于GCN的嵌入表示模型，获得用户嵌入和商品嵌入；

目标点击行为识别模块，用于根据用户嵌入、商品嵌入、用户特征、商品特征和训练好的恶意攻击识别分类器，获得目标点击行为的识别结果，其中，恶意攻击识别分类器以用户嵌入、商品嵌入、用户特征和商品特征为输入，以目标点击行为的识别结果为输出，通过集成学习构建获得。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑7任一项所述的基于深度学习的推荐系统恶意攻击检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的基于深度学习的推荐系统恶意攻击检测方法的步骤。