1.一种基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：包括如下步骤：S1：构建和训练CrossDR，CrossDR模型依次包括跨序列图构建模块，图神经网络GCN、空间自注意机制模块、解耦表征聚合模块、属性聚合层和输出层；

S1‑1：解耦表征过程

S1‑1‑1：所述跨序列图构建模块用于构建跨序列图，所述跨序列图包括空间关系图Gs和时间关系图Gt，获取多个用户签到轨迹构建Gs和Gt，所述用户签到轨迹包括以时间为序的用户地点签到序列；

S1‑1‑2：在构建的Gs和Gt上通过图神经网络GCN进行学习，得到Gs对应的空间节点特征向量Hs和Gt对应的时间节点特征向量Ht；

S1‑1‑3：对所述Hs和Ht进行空间自注意机制对应的得到空间解耦表征Ds和时间解耦表征Dt；

S1‑1‑4：所述解耦表征聚合模块对Ds和Dt进行解耦表征聚合得到解耦表征集E；

S1‑2:序列推荐

S1‑2‑1:将每个用户的轨迹序列是 切割成连续的子序列，从用户的签到历史中随机选择n个签到地点，并掩码其时间信息，将掩码后的n个签到地点加入用户的子序列中得到样本；

S1‑2‑2:将所有样本与解耦表征集E一起输入属性聚合层提取每个样本的解耦表征，并通过与用户特征、位置签到时间和位置类别的特征融合与拼接，得到样本中的第q个签到地点hp的表征lq，然后令＝1,2…n将所有lq按时间顺序堆叠得到训练样本S；

S1‑2‑3:将S转为频域，转换过程如下：

F＝IFFT(FFT(McS))              (4)其中Mc为可学习矩阵，F表示滤掉频域内的噪声后得到的序列；

S1‑2‑4:将所述F作为预测层的输入，输出即为预测的下一个兴趣点，根据损失函数LT的值，反向传播更新CrossDR的参数，直至损失不再下降即得训练好的CrossDR；

S2：获取一个用户的签到轨迹，将该用户的签到轨迹一起输入训练好的CrossDR中，输出即是预测的该用户的下一个兴趣点。

2.如权利要求1所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑1‑1构建空间关系图Gs和时间关系图Gt的步骤如下：令：U＝{u1,u2,u3,uM}为用户集，L＝{l1,l2,l3,lN}为位置集，数据集中有M个用户和N个位置，用户ui的轨迹序列 包含按时间戳排序的t个签到地点，表示第i个用户的第j个签到地点， 与一个唯一的元组相关联，代表签到状态和地点属性信息，元组代表经度、纬度、星期、签到时间和地点类别；

Gs＝{Vs,Es,As,Ss}，其中Vs是POI签到位置，Vs＝L；

Ss是转移状态集，包含每个POI的签入状态；

设置两个距离间隔阈值Δd1和Δd2以构建空间关系图的边，Δd1<Δd2；Δd1＝1，Δd2＝

100；

从 中收集所有轨迹作为跨序列数据，如果两个POI(pi,pj)连续出现在序列中，说明发生了位置转换，找到所有用户轨迹中的所有位置转换，根据公式(8)确定空间邻接矩阵 遍历所有用户轨迹，然后通过公式(8)收集带有边缘邻接矩阵附加权的边缘集Es；

其中， 是针对用户k的计算公式，Δdij是两个POI(pi,pj)之间的距离间隔；

Gt＝{Vt,Et,At,St}是整合所有用户轨迹的加权有向图，Vt是POI签到点的位置集，Vt＝L；

St等于Ss；

将24小时视为1，并将时间标准化12小时＝0.5，设置两个时间间隔阈值Δt1＝0.2和Δt2＝1，用于进一步构建时间关系图的边；

从 中收集所有轨迹作为跨序列数据，如果两个POI(pi,pj)连续出现在序列中，说明发生了位置转换，找到所有用户轨迹中的所有位置转换，根据公式(9)，确定空间相邻矩阵空间邻接矩阵 遍历所有用户轨迹，然后我们收集边缘集Et；

其中， 是针对用户k的计算公式，Δtij是两个POI(pi,pj)之间转移的时间间隔；

3.如权利要求2所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑1‑2得到Hs和Ht的过程如下：在构建了空间关系图Gs和时间关系图Gt后，我们倾向于提炼出解耦的信息，得到两套解N*N耦表征Ls和Lt，As和At可在图传播期传递空间增强信息和时间增强信息，As,At∈R ，设H∈N*mR 为节点特征矩阵则：

l l

H＝leakyReLU(h)              (12)l l m*u

其中，H表示第l层节点特征矩阵H，Θ 表示第l层可学习矩阵Θ，Θ∈R ，b表示偏置，bm*u l∈R ，H 是通过邻接矩阵、可学习矩阵和偏置传递和聚集l‑1层特征Hl‑1得到的；经过三层GCN传播，最终得到Hs和Ht；

l l

h表示第l层的未经leakyrelu处理的特征，D表示度矩阵，I表示单位矩阵，H表示第l层经leakyrelu处理的特征，A表示邻接矩阵。

4.如权利要求3所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑1‑3得到空间解耦表征Ds和时间解耦表征Dt的过程如下：u*2u u*2u u*u u*2u u*2u u*u其中，Xq∈R ，Xk∈R ，Xv∈R ，Yq∈R ，Yk∈R ，Yv∈R 分别表示可学习的参数矩阵，dk表示缩放参数。

5.如权利要求4所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑1‑4得到解耦表征集E的步骤如下：E＝DsW+Dt(1‑W)              (15)N*1

其中，W∈R 表示可学习的评分向量，E表示为E＝{h1,h2,h3,..hp...hN}，hN表示第N个地点的向量。

6.如权利要求5所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑2‑2中得到样本中的第q个签到地点的lq的步骤如下：用户特征、位置签到时间和位置类别的属性聚合的过程表述为：u τ

huser,hcat＝Embed(user)∈R ,Embed(cat)∈R              (16)τ

htime＝time2vector(user)∈R              (17)u τ

其中，Embed是基本嵌入层，time2vector是一个拟议的时间嵌入模型，R，R分别表示u、τ维实数，huser表示用户特征向量，hcat表示位置类别向量，htime表示位置签到时间向量；

第二步是将所有huser,hcat，htime与解耦表征集E进行汇总，对于序列中的第q个签到地点hp，由特征融合拼接处理的表示是：其中M1和M2是两个可学习矩阵。

7.如权利要求6所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑2‑4将F输入预测层预测下一个兴趣点步骤如下：首先编码F：

γ*5γ

Fe1＝ReLU((LayerNorm(F))Z1),Z1∈R               (19)

5γ*γ

Fe2＝LayerNorm(Fe1Z2),Z1∈R               (20)其中Z1和Z2均表示权重，γ表示维度；

通过前馈网络对序列表示法Fe2进行解码；

推荐下一个POI：

γ*N γ*N

其中，为推荐的下一个POI，Wp∈R 是解码器的可学习预测矩阵，b∈R 是偏置。

8.如权利要求7所述的基于跨序列位置解耦表征的兴趣点推荐方法，其特征在于：所述S1‑2‑4中的损失函数LT为：LT＝Lp+Lc             (22)其中，Lp表示应用交叉熵计算的预测损失，Lc表示S1‑1‑3得到空间解耦表征Ds和时间解耦表征Dt过程中使用对比学习的对比性学习损失：其中， 表示第i个位置的空间解耦表征， 第i个位置的时间解耦表征，N表示解耦表征中的位置总数。