多Markov链用户浏览预测模型

建立有效的用户浏览预测模型 ,对用户的浏览做出准确的预测 ,是开发各种浏览导航工具的关键 .传统的Markov链模型是一种简单而有效的预测模型 ,但它存在预测准确率低 ,存储复杂度高等缺点 .通过对该模型的扩展 ,该文提出并建立了一种基于用户分类的新模型———多Markov链模型 .实验表明 ,该模型能更准确地描述用户在Web上的浏览特征 ,在预测准确率和存储复杂度方面都显著地优于传统的Markov链模型 .

基于混合Markov链的用户浏览预测模型

根据Web用户的浏览历史建立用户浏览预测模型是Web环境下实现个性化服务和开发各种浏览导航工具的关键。该文首先利用PLSA模型对Web用户进行用户聚类,然后建立基于用户类别的混合Markov链用户浏览预测模型,该模型更能准确地描述用户浏览特征。实验结果表明了该模型的优越性。

基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型

对用户的Web浏览行为进行分析,既可以使用户减少等待时间,同时也能减轻网络负载.依据Web网站的层次结构特点,首先设计了基于Hash表的反向索引结构来提高数据的预处理速度;在此基础上,利用分层思想构建了基于马尔科夫模型和贝叶斯定理的Web用户浏览行为预测模型.给出了模型的设计思想、相关定义、模型框架以及模型中所涉及的关键构建方法等.最后,对模型进行了实验分析,结果表明在适当的预测准确率前提下,模型能够有效减少在预测时所需的候选网页数量,并大幅提升预测效率.

基于Bayes网的时间序列预测

时间序列预测问题在气象、天文、电力、医学、生物、经济、金融和计算机等各个领域有着广泛的应用。本文将Bayes网模型用于该领域,提出并建立了一套基于Bayes的时间序列预测模型——静态Bayes网预测模型,动态Bayes网预测模型和分类静态Bayes网预测模型。实验表明,这三个模型能更准确地描述用户在Web上的浏览特征,在预测准确率和存储复杂度方面都显著地优于传统的时间序列预测模型。