本技術(shù)屬于數(shù)據(jù)處理，尤其涉及一種用戶位置的補(bǔ)全方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著移動(dòng)互聯(lián)網(wǎng)和位置服務(wù)技術(shù)發(fā)展，用戶位置數(shù)據(jù)呈現(xiàn)出指數(shù)級(jí)的增長(zhǎng)，這些數(shù)據(jù)包含了豐富的時(shí)空行為信息，對(duì)于用戶行為分析、個(gè)性化服務(wù)推薦、潛在風(fēng)險(xiǎn)預(yù)警等方面具有重要的價(jià)值。然而，由于設(shè)備故障、網(wǎng)絡(luò)不穩(wěn)定等因素，用戶位置軌跡數(shù)據(jù)往往存在缺失現(xiàn)象，這極大地限制了對(duì)用戶行為模式的全面理解和有效利用。

2、現(xiàn)有的位置軌跡分析方法大多局限于單一維度的時(shí)間序列分析或空間鄰近性挖掘，未能充分利用用戶行為數(shù)據(jù)的多維特性以及用戶與位置點(diǎn)、時(shí)間因素之間的復(fù)雜關(guān)系，如何提供一宗能夠綜合處理時(shí)空信息并有效填補(bǔ)用戶位置軌跡數(shù)據(jù)缺失的方法，以便更準(zhǔn)確地模擬和預(yù)測(cè)用戶行為，是目前急需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)意在提供一種用戶位置的補(bǔ)全方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中存在的不足，本技術(shù)要解決的技術(shù)問(wèn)題通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)。

2、第一個(gè)方面，本技術(shù)實(shí)施例提供一種用戶位置的補(bǔ)全方法，所述方法包括：

3、獲取用戶位置軌跡數(shù)據(jù)；

4、根據(jù)預(yù)先訓(xùn)練好的位置補(bǔ)充模型，確定所述用戶位置軌跡數(shù)據(jù)中需要補(bǔ)全的位置軌跡數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置補(bǔ)充模型是采用原始位置軌跡數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練得到的；所述深度學(xué)習(xí)模型是基于圖神經(jīng)網(wǎng)絡(luò)和雙向編碼器建立的，所述位置補(bǔ)充模型用于軌跡數(shù)據(jù)中缺失部分進(jìn)行預(yù)測(cè)和填充；

5、根據(jù)所述需要補(bǔ)全的位置軌跡數(shù)據(jù)，對(duì)所述用戶位置軌跡數(shù)據(jù)中的缺失部分進(jìn)行補(bǔ)充。

6、可選地，所述預(yù)先訓(xùn)練好的位置補(bǔ)充模型通過(guò)如下方式獲得：

7、獲取所述原始位置軌跡數(shù)據(jù)；

8、對(duì)所述原始位置軌跡數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本位置軌跡數(shù)據(jù)和測(cè)試位置軌跡數(shù)據(jù)；

9、根據(jù)所述樣本位置軌跡數(shù)據(jù)對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到所述位置補(bǔ)充模型；

10、根據(jù)測(cè)試位置軌跡數(shù)據(jù)和訓(xùn)練好的位置補(bǔ)充模型，確定用戶標(biāo)識(shí)、用戶位置點(diǎn)信息和時(shí)間的關(guān)聯(lián)關(guān)系；

11、根據(jù)所述關(guān)聯(lián)關(guān)系，確定所述樣本位置軌跡數(shù)據(jù)中缺失的位置信息。

12、可選地，所述深度學(xué)習(xí)模型通過(guò)如下方式獲得：

13、根據(jù)用戶位置點(diǎn)信息的節(jié)點(diǎn)，確定圖結(jié)構(gòu)；

14、根據(jù)node2vec算法和所述圖結(jié)構(gòu)，確定所述節(jié)點(diǎn)之間的相似度信息、節(jié)點(diǎn)之間的邊和轉(zhuǎn)移概率的權(quán)重；

15、通過(guò)多層圖卷積網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)進(jìn)行信息聚合，得到各個(gè)節(jié)點(diǎn)的高階抽象嵌入向量；

16、將用戶標(biāo)識(shí)映射成預(yù)設(shè)編碼信息，并通過(guò)多層感知機(jī)，將所述預(yù)設(shè)編碼信息轉(zhuǎn)換成低維用戶嵌入向量；

17、利用預(yù)設(shè)時(shí)間序列嵌入方法，將訪問(wèn)時(shí)間點(diǎn)映射為時(shí)間嵌入向量；

18、將所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量，輸入雙向編碼器，得到輸出向量，并對(duì)所述輸出向量和所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量進(jìn)行拼接，構(gòu)建所述深度學(xué)習(xí)模型。

19、可選地，所述根據(jù)所述樣本位置軌跡數(shù)據(jù)對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到所述位置補(bǔ)充模型，包括：

20、對(duì)輸入訪問(wèn)序列數(shù)據(jù)進(jìn)行隨機(jī)遮蔽，設(shè)置預(yù)設(shè)模擬缺失場(chǎng)景，其中，所述訪問(wèn)序列數(shù)據(jù)至少包括所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量；

21、采用bert模型的mlm任務(wù)對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練；

22、通過(guò)多層編碼器，獲取所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量的上下文依賴關(guān)系，并根據(jù)所述上下文依賴關(guān)系對(duì)所述遮蔽位置進(jìn)行預(yù)測(cè)；

23、通過(guò)mlp解碼器，將bert模型最后一層的輸出向量映射為用戶位置點(diǎn)信息的概率分布信息；

24、根據(jù)所述概率分布信息和預(yù)設(shè)分布信息，對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到所述位置補(bǔ)充模型。

25、可選地，所述根據(jù)所述關(guān)聯(lián)關(guān)系，確定所述樣本位置軌跡數(shù)據(jù)中缺失的位置信息，包括：

26、獲取所述位置補(bǔ)充模型的輸出結(jié)果；

27、將所述模型輸出結(jié)果中概率值大于預(yù)設(shè)值的位置信息，確定為樣本位置軌跡數(shù)據(jù)中缺失的位置信息。

28、第二個(gè)方面，本技術(shù)實(shí)施例提供一種用戶位置的補(bǔ)全裝置，所述裝置包括：

29、獲取模塊，用于獲取用戶位置軌跡數(shù)據(jù)；

30、確定模塊，用于根據(jù)預(yù)先訓(xùn)練好的位置補(bǔ)充模型，確定所述用戶位置軌跡數(shù)據(jù)中需要補(bǔ)全的位置軌跡數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置補(bǔ)充模型是采用原始位置軌跡數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練得到的；所述深度學(xué)習(xí)模型是基于圖神經(jīng)網(wǎng)絡(luò)和雙向編碼器建立的，所述位置補(bǔ)充模型用于軌跡數(shù)據(jù)中缺失部分進(jìn)行預(yù)測(cè)和填充；

31、補(bǔ)全模塊，用于根據(jù)所述需要補(bǔ)全的位置軌跡數(shù)據(jù)，對(duì)所述用戶位置軌跡數(shù)據(jù)中的缺失部分進(jìn)行補(bǔ)充。

32、可選地，所述裝置還包括訓(xùn)練模塊，所述訓(xùn)練模塊用于：

33、獲取所述原始位置軌跡數(shù)據(jù)；

34、對(duì)所述原始位置軌跡數(shù)據(jù)進(jìn)行預(yù)處理，得到樣本位置軌跡數(shù)據(jù)和測(cè)試位置軌跡數(shù)據(jù)；

35、根據(jù)所述樣本位置軌跡數(shù)據(jù)對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到所述位置補(bǔ)充模型；

36、根據(jù)測(cè)試位置軌跡數(shù)據(jù)和訓(xùn)練好的位置補(bǔ)充模型，確定用戶標(biāo)識(shí)、用戶位置點(diǎn)信息和時(shí)間的關(guān)聯(lián)關(guān)系；

37、根據(jù)所述關(guān)聯(lián)關(guān)系，確定所述樣本位置軌跡數(shù)據(jù)中缺失的位置信息。

38、可選地，所述訓(xùn)練模塊用于：

39、根據(jù)用戶位置點(diǎn)信息的節(jié)點(diǎn)，確定圖結(jié)構(gòu)；

40、根據(jù)node2vec算法和所述圖結(jié)構(gòu)，確定所述節(jié)點(diǎn)之間的相似度信息、節(jié)點(diǎn)之間的邊和轉(zhuǎn)移概率的權(quán)重；

41、通過(guò)多層圖卷積網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)進(jìn)行信息聚合，得到各個(gè)節(jié)點(diǎn)的高階抽象嵌入向量；

42、將用戶標(biāo)識(shí)映射成預(yù)設(shè)編碼信息，并通過(guò)多層感知機(jī)，將所述預(yù)設(shè)編碼信息轉(zhuǎn)換成低維用戶嵌入向量；

43、利用預(yù)設(shè)時(shí)間序列嵌入方法，將訪問(wèn)時(shí)間點(diǎn)映射為時(shí)間嵌入向量；

44、將所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量，輸入雙向編碼器，得到輸出向量，并對(duì)所述輸出向量和所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量進(jìn)行拼接，構(gòu)建所述深度學(xué)習(xí)模型。

45、可選地，所述訓(xùn)練模塊用于：

46、對(duì)輸入訪問(wèn)序列數(shù)據(jù)進(jìn)行隨機(jī)遮蔽，設(shè)置預(yù)設(shè)模擬缺失場(chǎng)景，其中，所述訪問(wèn)序列數(shù)據(jù)至少包括所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量；

47、采用bert模型的mlm任務(wù)對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練；

48、通過(guò)多層編碼器，獲取所述節(jié)點(diǎn)的高階抽象嵌入向量、所述低維用戶嵌入向量和所述時(shí)間嵌入向量的上下文依賴關(guān)系，并根據(jù)所述上下文依賴關(guān)系對(duì)所述遮蔽位置進(jìn)行預(yù)測(cè)；

49、通過(guò)mlp解碼器，將bert模型最后一層的輸出向量映射為用戶位置點(diǎn)信息的概率分布信息；

50、根據(jù)所述概率分布信息和預(yù)設(shè)分布信息，對(duì)所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到所述位置補(bǔ)充模型。

51、可選地，所述訓(xùn)練模塊用于：

52、獲取所述位置補(bǔ)充模型的輸出結(jié)果；

53、將所述模型輸出結(jié)果中概率值大于預(yù)設(shè)值的位置信息，確定為樣本位置軌跡數(shù)據(jù)中缺失的位置信息。

54、第三個(gè)方面，本技術(shù)實(shí)施例提供一種終端設(shè)備，包括：至少一個(gè)處理器和存儲(chǔ)器；

55、所述存儲(chǔ)器存儲(chǔ)計(jì)算機(jī)程序；所述至少一個(gè)處理器執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以實(shí)現(xiàn)第一個(gè)方面提供的用戶位置的補(bǔ)全方法。

56、第四個(gè)方面，本技術(shù)實(shí)施例提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)第一個(gè)方面提供的用戶位置的補(bǔ)全方法。

57、本技術(shù)實(shí)施例包括以下優(yōu)點(diǎn)：

58、本技術(shù)實(shí)施例提供的用戶位置的補(bǔ)全方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)，通過(guò)獲取用戶位置軌跡數(shù)據(jù)；根據(jù)預(yù)先訓(xùn)練好的位置補(bǔ)充模型，確定所述用戶位置軌跡數(shù)據(jù)中需要補(bǔ)全的位置軌跡數(shù)據(jù)；其中，所述預(yù)先訓(xùn)練好的位置補(bǔ)充模型是采用原始位置軌跡數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練得到的；所述深度學(xué)習(xí)模型是基于圖神經(jīng)網(wǎng)絡(luò)和雙向編碼器建立的，所述位置補(bǔ)充模型用于軌跡數(shù)據(jù)中缺失部分進(jìn)行預(yù)測(cè)和填充；根據(jù)所述需要補(bǔ)全的位置軌跡數(shù)據(jù)，對(duì)所述用戶位置軌跡數(shù)據(jù)中的缺失部分進(jìn)行補(bǔ)充，實(shí)現(xiàn)了對(duì)用戶位置軌跡數(shù)據(jù)的精確補(bǔ)全，不僅提高了用戶行為預(yù)測(cè)的準(zhǔn)確性和完整性，而且能更好地理解和挖掘用戶在時(shí)空維度上的復(fù)雜行為模式，增強(qiáng)了對(duì)用戶行為特性的捕捉能力。