为改善用户的Ｗｅｂ页面访问行为、提高访问效率，设计了一种基于贝叶斯网络的网页推荐模型及推荐算 法。通过收集和分析服务器中的描述文件和日志文件，利用Ｂａｙｅｓｉａｎ网络分析页面间的依赖关系，构建了基于贝 叶斯网络的网页推荐模型并产生推荐集。通过在Ｍｉｃｒｏｓｏｆｔ公司提供的网络日志数据集上做的实验，可以获得超 过８０％的准确率和覆盖率。理论分析和实验结果表明：算法能够在线实时向用户做出个性化的推荐，与已有的推 荐算法相比，算法能较快地给出推荐集，并且可以获得更高的准确率和覆盖率-T

ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo