随着互联网技术的高速发展,网络已经深入到人们生活的各个方面,同时由于互联网信息量的爆炸式增长,越来越多的网站运营商开始重视网站的个性化信息服务,期望网站用户能够在信息量巨大的网站中快捷的找到自己感兴趣的内容,满足用户对浏览效率的需求。预测推荐系统(Intelligent Recommendation System)就在这个背景下应运而生。预测推荐系统是在互联网上使用数据挖掘,人工智能等技术,为客户提供智能化、个性化的服务,它能够根据用户的浏览历史和网站自身需要预测用户的浏览行为,从而达到高准确率地向用户向客户推荐页面或产品的目的。预测推荐系统的核心是预测的方法,也是本文研究的重点。在阅读了大量的预测方法文献之后,发现Markov预测模型简单易行,比较适合作为智能推荐系统的预测模型。同时我们也发现Markov预测模型在具体的实际应用当中也存在着准确率和计算开销之间的矛盾,于是提出了将Markov模型与聚类方法、蚁群算法结合起来的改进Markov预测模型,将用户浏览网页的时间、次数共同作为预测的参考。仿真结果显示改进的方法缓和了预测的准确率与计算开销的矛盾。最后在改进的预测推荐系统的基础上,提出了一种基于排队模型的网站评价的量化标准,来评价预测推荐系统是否对网站的服务效率有所改进。