不是一种开始的方法，是有一个矩阵（比如），其中是页数。然后，每当您有用户从页面跳转到页面时，根据您的原始数据将矩阵元素递增一。这为您提供了转换概率。$n \times n$$M_{n \times n}$$n$$M_{rc}$$r$$c$

您的第一个问题已经得到了回答：“主页（例如第 1 页）上的用户百分比是在厨房用品（例如第 2 页）旁边旅行的吗？”

$\frac{M_{12}}{ \sum_c M_{1c}}$

还是这太简单了？

看起来您正在尝试重新创建 Google 的 PageRank 算法。大多数 PageRank 算法都是使用马尔可夫链开发的。您可以找到很多关于在 R 中开发 PageRank 方法的内容。

igraph.sourceforge.net/doc/R/page.rank.htm

从我在这里看到的情况来看，我同意 igraphs / Markov Chains 可能是要走的路，但是您绝对可以使用 rpart 和/或partykit。

我很难用你有限的例子给出一个简单的答案，但我可以大致解释一下你会怎么做。

您想查看所有用户的位置，并将其总结为一个字符串，例如

"Home / product4 / product3 / product4 / buynow"
"Home / product3 / buynow"
"Home / product3 / product4"

然后，您可以将您的用户分成几类，比如最终进入“立即购买”页面的用户和没有进入的用户。然后，您可以简单地开始预测该最终结果。在这个例子中，也许你会发现做最多比较商店的人买了/没买东西。

您还可以创建更多变量，例如“buynow 页面之前的页面是什么”“他们在购买东西之前访问了多少页面”或“他们何时创建了第一个帐户”，并且您可以将这些指标添加到您的分析中。

您可以采用许多不同的方式，这开始回答不同的问题，但我的观点是您可以使用树，对于某些问题，它可能是更快、更简单的洞察途径。

顺便说一句，如果您要使用派对，则需要使用factoror来制作非数字变量因子。as.factor派对有一些很好的小插曲让你开始。