随着Internet的快速发展和Web信息的日益增长，个性化推荐服务越来越受到用户青睐。作为个性化推荐的核心技术，预测模型得到了广泛关注，并成为一个具有挑战性的研究课题。对预测模型进行深入研究，对减小用户的感知延时、处理亟待解决的信息过载问题，具有重要的理论意义和实用价值。本文提出了一种新的混合阶Markov预测模型，对该模型进行了实验，并对实验结果进行了分析。首先介绍了Internet发展概况和WWW工作机制，分析了个性化服务的必要性。讨论了个性化推荐技术基础，包括序列模式相关知识和预取技术的基本概念、预取系统的分类以及现有预测算法。接着阐述了个性化推荐技术的基本概念与国内外研究现状。然后，总结了现有的替换算法以及个性化推荐性能评价指标，详细地讨论了Web缓存系统中命中率与字节命中率之间的关系，并在此基础上提出了一种新的Web缓存性能评价指标，讨论了该指标在Web缓存替换算法及Web预取性能评价中的应用，从而为度量缓存系统的性能提供参考依据。最后，在分析讨论了Markov模型、传统Markov模型以及混合阶Markov模型之后，提出了一种新的混合阶Markov模型，将前缀相同的序列共享存储，降低了状态空间复杂度。实验表明，该模型在一定程度上提高了预测准确率，查全率也有所提升。