Los ataques de Cross-Site Scripting (XSS) son una fuente común de vulnerabilidad para las aplicaciones web, lo que requiere mecanismos escalables para la detección. En este trabajo, se introduce un nuevo método basado en la extracción de características mediante grafos bipartitos y un clasificador de aprendizaje en conjunto que contiene CNN, LSTM y GRU. Nuestro modelo de grafo bipartito propuesto es novedoso ya que las cargas útiles constituyen el primer conjunto, mientras que las palabras que construyen las cargas útiles comprenden el segundo conjunto. Esta representación permite extraer dependencias estructurales y contextuales para que el modelo pueda reconocer cargas útiles XSS complejas y ofuscadas. Nuestro método supera a los métodos de última generación al tener una precisión de detección del 99.97%. Tiene una capacidad significativamente aumentada para detectar variaciones complicadas de cargas útiles al utilizar patrones de co-ocurrencia y la interdependencia entre partes más pequeñas de la carga útil a través de la adopción de estas características bipartitas. Además de mejorar la puntuación F1, el recall y la precisión asociados con tales métodos, también demuestra la adaptabilidad de la representación basada en grafos en aplicaciones de ciberseguridad. Nuestros hallazgos destacan la posibilidad de integrar clasificadores en conjunto y una ingeniería de características refinada en un sistema de detección de XSS escalable y preciso.