随着计算机的广泛普及和互联网技术的飞速发展,越来越多的消费者开始关注并选择了网上购物这一新兴但却方便快捷的购物方式,享受了足不出户就能买到自己心仪产品的购物体验。但迅速膨胀起来的网上购物大军也给电子商务网站带来了考验,这种考验一方面来自消费者对其产品质量、交易信用等硬件条件的要求,另一方面则来自这些电子商务网站生存和进一步发展所依托的技术发展。正是在这样的背景下,基于Web挖掘的个性化推荐系统的设计和实现逐渐成为了学者们研究的热点问题,它不但可以帮助电子商务平台对消费者的个性化需求做出快速的反应,还可以通过恰当准确的推荐减少用户的消费成本而增加消费者的满意度。目前,很多学者都把研究的重点放在了个性化推荐系统中的关键技术——用户浏览行为的预测上,对如何提高预测的精度和响应的时间做出了许多有益的分析和研究,精确的预测不仅能完成网页的预取、提高网站的性能,更能对用户进行兴趣页面的推荐、为其提供个性化的服务。其中Markov模型因为其较高的预测精度得到了广泛的应用,但如何解决一阶Markov链和多阶Markov链之间运算速度与预测精度间的矛盾问题仍然需要进一步的探讨。因此,本文主要围绕基于Web使用挖掘的浏览行为预测模型的设计而展开,并在国内外研究成果的基础上提出了基于动态聚类的混合Markov模型。首先引入用户浏览兴趣作为聚类的参量,综合考虑用户浏览行为和页面特征对用户浏览兴趣的影响,并根据因子分析的结果构建了用户浏览兴趣的Logistic预测模型。然后在用户动态聚类分析的基础上为不同类别的用户建立相应的Markov转移矩阵,并通过Matlab7.0平台对模型的有效性进行了验证。