互联网呈现爆炸式发展的今天,随着个人移动设备的增多,人们的衣食住行越来越依赖互联网的便利,用户的生活轨迹数据被充分的采集。如何利用这些数据,给用户更加精准地推荐生活上的需求,在如今的时代是一个非常具有挑战的课题。本文提出了一个基于马尔科夫过程的张量链模型,张量作为矩阵在高阶上的拓展,能够更加充分的表现数据的高维特征。张量的特征分解模型能够充分的挖掘数据之间的潜在联系,张量特征分解理论,同样可以通过张量多模乘操作,来求解多元高阶马尔科夫链的长期稳态分布,但是传统的方法存在其缺点,即随着马尔科夫链阶数的增大张量的规模呈现指数规模增大,这样研究高阶多元高阶马尔科夫链的稳态分布存在物理内存限制,本文提出的模型将高阶转移张量通过最大似然估计法表示成多个低阶转移张量的线性和的形式,然后对每个转移张量通过多模乘幂法求解其长期的稳态分布,最后将这些特征张量组合起来,得到最终的高阶马尔科夫链的稳态分布的特征张量,从而进行预测。基于马尔科夫过程的张量链模型,使得求解多元高阶的马尔科夫链的稳态分布变得实际可行,同时通过最大似然估计法避免了高阶马尔科夫链的过拟合问题,通过多个用户轨迹数据集的实验,该模型在内存占用、推荐准确率、拟合度上都比传统的马尔科夫模型具有更好的效果。