| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 基于Markov模型的Web个性化提出 | 第8-9页 |
| 1.3 研究现状 | 第9-11页 |
| 1.4 本文的工作 | 第11-12页 |
| 1.4.1 研究动机 | 第11页 |
| 1.4.2 研究内容 | 第11-12页 |
| 1.5 论文的组织结构 | 第12页 |
| 1.6 小结 | 第12-14页 |
| 第二章 基本的Markov模型 | 第14-17页 |
| 2.1 Markov模型 | 第14-15页 |
| 2.2 Markov模型的性质与应用 | 第15-16页 |
| 2.3 小结 | 第16-17页 |
| 第三章 基于Markov模型的Web个性化技术 | 第17-24页 |
| 3.1 Web个性化的定义 | 第17页 |
| 3.2 Web个性化模型评估 | 第17-18页 |
| 3.2.1 预测命中率和准确率 | 第17-18页 |
| 3.2.2 平衡点 | 第18页 |
| 3.2.3 F值 | 第18页 |
| 3.3 基于Markov模型的Web个性化技术 | 第18-20页 |
| 3.3.1 低阶的Markov模型浏览预测 | 第18-19页 |
| 3.3.2 高阶的Markov模型浏览预测 | 第19页 |
| 3.3.3 N-Grammer | 第19-20页 |
| 3.4 现有的两种Markov模型Web个性化技术 | 第20-24页 |
| 3.4.1 Borges提出的模型 | 第20-22页 |
| 3.4.2 Eirinaki提出的模型 | 第22-23页 |
| 3.4.3 这两种模型的优缺点 | 第23-24页 |
| 3.5 混合模型的构思 | 第24页 |
| 3.6 小结 | 第24页 |
| 第四章 一种近似计算多阶的Markov链浏览预测模型 | 第24-36页 |
| 4.1 研究动机 | 第24-25页 |
| 4.2 问题定义 | 第25-26页 |
| 4.3 流模型的提出 | 第26-30页 |
| 4.3.1 Flow的思路 | 第26-27页 |
| 4.3.2 Flow模型的一些定义 | 第27-29页 |
| 4.3.3 Flow模型的推荐原则 | 第29-30页 |
| 4.4 流模型的算法 | 第30-31页 |
| 4.5 实验结果分析 | 第31-34页 |
| 4.6 模型复杂性比较 | 第34-35页 |
| 4.7 小结 | 第35-36页 |
| 第五章 改进的流Markov模型 | 第36-41页 |
| 5.1 问题定义 | 第36页 |
| 5.2 改进FMM的思路 | 第36-37页 |
| 5.3 改进FMM的算法 | 第37-38页 |
| 5.4 实验结果分析 | 第38-39页 |
| 5.5 对FMM模型的一些思考 | 第39-40页 |
| 5.6 小结 | 第40-41页 |
| 第六章 总结和展望 | 第41-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 个人简历、在学期间发表的学术论文 | 第49页 |