高质量的数据是数据能够得到充分挖掘并得出可靠结论的前提和保障,数据缺失会对后续的数据分析、挖掘工作造成不良影响。只有使不完整数据进行合理补全,人们才能从数据中获得支持后续研究、管理、决策的理论、方法、技术。因此,补全不完整数据对后续的数据分析和挖掘工作具有重要意义。为了使补全后的数据进一步接近真实数据,本文在生成式对抗网络框架的基础上,针对静态、动态两种类型的不完整数据分别提出了隐语义模型预训练的对偶鉴别器生成式对抗插补网、基于注意力重构机制的端对端生成式对抗网络。本文的主要创新和工作如下:首先,在静态类型数据补全场景中,使用隐语义模型在生成式对抗插补网的基础上增加了预训练步骤。同时,通过增加不同功能的鉴别器改进原始网络的结构。其次,在动态类型数据补全场景下,基于注意力重构机制的端对端生成式对抗网络方法在原有方法的基础上增加了预填充步骤,使用短时真实序列训练鉴别器,在生成器的解码过程中融入了注意力机制,并通过对编码器中各隐藏状态的注意力得分进行再分配,从而进行注意力重构。最后,使用上述两种方法与五种基线方法在三种缺失率、两种数据类型、八个不同的数据集中开展对照实验。在RMSE指标下,隐语义模型预训练的对偶鉴别器生成式对抗插补网取得的结果相较于其他方法平均下降21.19%,其中,在对静态类型不完整数据进行补全时取得的结果相较于其他方法平均下降32.95%;基于注意力重构机制的端对端生成式对抗网络取得的结果相较于其他方法平均上升12%,其中,在对动态类型不完整数据进行补全时取得的结果相较于其他方法平均下降20.36%。本文提出的两种方法在分别进行静态、动态类型不完整数据的补全任务时,均可以达到预期目标,有利于提高数据补全的效果。另外,为了取得更好的补全效果,在进行数据补全前,有必要根据数据的类型选择适合的数据补全方法。