基于隐马尔科夫模型的浏览兴趣预测

Web上的信息量正以惊人的速度增加，人们迫切需要能自动地从Web上发现、抽取和过滤信息的工具，即如何从数以亿计的页面中发现需要的内容、如何从大量的访问中发现固有的模式和关联。马尔科夫模型的网页浏览预测，仅仅从用户的浏览网页本身出发，预测用户的下一步链接，并不能捕获到用户的真正兴趣。本文提出基于隐马尔科夫模型的网页浏览路径预测，并将其与基于马尔科夫模型的方法进行对比。根据已知的浏览序列判断用户的类别，当浏览序列长度很短时，本文方法的预测准确性比马尔科夫模型低。这是由于序列长度过短，系统获取判断的信息少，增加了对用户错误分类的可能性。随着浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，进而能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80%，提高了浏览兴趣预测的准确率。