进入21世纪以来,Internet爆炸式的增长,使得人们真正体验到信息时代的优越性。但是作为Internet的管理和研究者,必需利用好Internet迅速增长带来的巨大数据资源,并从中挖掘出有意义的知识来指导Internet的建设,从而开启一个更人性化、更智能化的新Intemet时代。web日志挖掘主要研究用户的web浏览行为,从而理解用户的兴趣爱好和访问习惯,使得web站点更好的为用户提供服务。然而,web日志挖掘的核心是用户访问预测,即根据用户的历史访问信息和当前的访问路径预测用户下一步或将来可能访问的页面。我们可以利用预测结果提高服务器的性能,提高缓存的利用率和为用户提供个性化服务。本文分析了已有的用户访问预测经典算法的优缺点,提出了基于Markov链和关联规则的预测算法MAPA(Markov Chain And Association Rule PredictionAlgorithm),该算法首先使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;然后再使用二项关联规则从正向和反向两个角度修正Markov的预测结果,从而生成最后的预测页面。该算法很好地结合了Markov链和关联规则的优点。本文提出了带反馈的Markov预测模型MPMF(Markov Prediction Model WithFeedback),该模型在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测是否正确。在预测过程中,该模型首先用二阶Markov预测算法生成预测候选集,然后再利用历史预测信息动态的调整预测算法,从而生成预测页面。实验结果表明MAPA和MPMF具有较好的预测准确率;理论分析证明了这两种预测方法具有线性时间复杂度的预测效率。