Markov网页预测模型综述
摘 要：介绍了基本的Markov浏览预测模型；讨论了扩展的Markov浏览预测模型，包括隐Markov模型、多Markov模型、混合模型、结构相关性模型;综述了各个模型的算法及其优缺点；分析了Markov浏览预测模型需要深入研究的问题。
关键词：数据挖掘； Markov模型； 偏爱度； 浏览路径预测
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，是导航工具实现对用户浏览提供有效帮助的关键。
在浏览预测模型方面，很多学者都进行了卓有成效的研究。AZER[1]提出了基于概率模型的预取方法，根据网页被连续访问的概率来预测用户的访问请求。SARUKKAI[2]运用马尔可夫链进行访问路径分析和链接预测，在此模型中，将用户访问的网页集作为状态集，根据用户访问记录，计算出网页间的转移概率，作为预测依据。SCHECHTER[3]构造用户访问路径树，采用最长匹配方法，寻找与当前用户访问路径匹配的历史路径，预测用户的访问请求。XU Cheng Zhong等[4]引入神经网络实现基于语义的网页预取。徐宝文等[5]利用客户端浏览器缓冲区数据，挖掘其中蕴含的兴趣关联规则，预测用户可能选择的链接。朱培栋等人[6]按语义对用户会话进行分类，根据会话所属类别的共同特征，预测用户可能访问的文档。
在众多的浏览模型中，Markov模型是一种简单而有效的模型。Markov模型最早是ZUKERMAN[7]等人于1999年提出的一种用途十分广泛的统计模型，它将用户的浏览过程抽象为一个特殊的随机过程——齐次离散Markov模型，用转移概率矩阵描述用户的浏览特征，并基于此对用户的浏览进行预测。之后，BOERGES[8]等采用了多阶转移矩阵，进一步提高了模型的预测准确率。在此基础上，SARUKKAI建立了一个实验系统[9],实验表明，Markov预测模型很适合作为一个预测模型来预测用户在Web站点上的访问模式。
1 Markov模型
1.1 Markov模型
Markov预测模型[10]对用户在Web上的浏览过程作了如下的假设。
假设1(用户浏览过程假设)：假设所有用户在Web上的浏览过程是一个特殊的随机过程——齐次的离散Markov模型。即设离散随机变量的值域为Web空间中的所有网页构成的集合，则一个用户在Web中的浏览过程就构成一个随机变量的取值序列，并且该序列满足Markov性。
一个离散的Markov预测模型可以被描述成三元组<S，A，B>，S代表状态空间；A是转换矩阵，表示从一个状态转换到另一个状态的概率；B是S中状态的初始概率分布。其中S是一个离散随机变量，值域为{x1，x2,…xn}，其中每个xi对应一个网页,称为模型的一个状态。
Markov预测模型是一个典型的无后效性随机过程，也就是说模型在时刻t的状态只与它的前一个时刻t-1的状态条件相关，与以前的状态独立。即：
王实[12]等提出一种新的基于隐马尔可夫模型的兴趣迁移模式发现方法，并利用用户迁移模式间的关联规则来发现兴趣迁移模式。而借助隐马尔可夫模型, 挖掘蕴涵在用户访问路径中的信息需求概念, 以此进行预取页面的评价, 也可以实现基于语义的网页预取[13]。
隐Markov模型尽管考虑了用户兴趣,但和简单的Markov模型一样，存在一定的不足：用户访问序列串长是动态时变的,采用固定阶数的传统Markov链模型并不能准确地对用户的访问行为建模。
2.2 多Markov模型
