基于人工智能的多样性通用数据周期推荐算法

由于目前算法为用户推荐多样性通用数据时,未考虑对数据进行清洗处理,导致多样性通用数据周期推荐精度和效率较低,稳定性较差,为此,提出基于人工智能的多样性通用数据周期推荐算法。采用人工智能时间序列分析方法,分类多样性通用数据中存在的异常数据,分析了时间序列模型受各类异常值的影响,对多样性通用数据进行清洗。运用均衡接近度灰关联方法,计算数据之间的相似度,构建用户的增强二部图直接信任机制,利用JMSD相关系数对多样性通用数据进行评分,选取评分较高的数据推荐给用户,实现多样性通用数据的周期推荐。实验结果表明,所提算法的稳定性较好,平均绝对误差较小,能够有效提高多样性通用数据周期推荐精度和效率。