随着互联网技术的日益普及,网络被更加广泛的应用于人们生活、学习的各个领域。由于互连网上信息资源的极大丰富,信息服务的个性化越来越引起人们的重视。同时人们对信息获取的目的逐渐从查全转变为查准,满足特定用户的特定信息需求成为信息服务在新的网络环境中的服务目标。智能推荐系统(Intelligent Recommendation System)就在这个背景下应运而生。 智能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,它能够向客户推荐页面或产品,并可以引导客户有针对性的对网页信息或某些产品信息进行关注。 推荐系统的核心是推荐的方法,也是本文研究的重点。我们发现马尔可夫(Markov)模型简单易行,比较适合作为智能推荐系统的预测模型。但是,我们也发现了Markov模型的实现算法计算开销十分巨大,于是提出和聚类方法相结合的改进Markov方法,同时在算法中增加对页面访问时间和个体用户偏好的计算。新的方法首先有效降低了Markov方法的计算规模,提高了预测的效率。两个新的计算点的引入在一定的计算代价的基础上提高了预测的准确率。 本文在最后,提出一个采用多Agent的智能推荐系统架构,并用本文研究的Markov模型方法对其主要功能做了阐述。