Адаптивные гипермедиа издания, интегрированные в Интернет тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Зайцев, Илья Борисович

• Зайцев, Илья Борисович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Зайцев, Илья Борисович

Введение

Глава I. Вопросы адаптивного представления информации в гипермедиа изданиях

1.1 Анализ проблем эффективного доступа к информации в традиционных гипермедиа изданиях

1.2 Выделение класса адаптивных электронных изданий, интегрированных в Интернет

1.3 Обзор современных форм и видов адаптации в гипермедиа системах

1.4 Анализ подходов к адаптации в гипермедиа системах

1.5 Выбор характеристик пользователя для осуществления адаптации 34 Выводы по главе

Глава II. Разработка методик совместной фильтрации в адаптивных гипермедиа изданиях (АГИ)

2.1 Особенности совместной фильтрации и систем рекомендаций

2.2 Постановка задачи

2.3 Разработка модифицированного алгоритма классификатора «К-ближайших соседей»

2.4 Разработка модифицированного алгоритма «наивного» Байесовского классификатора

2.5 Разработка модифицированного алгоритма кластеризации «К-медиан» 66 Выводы по главе

Глава III. Моделирование предпочтений пользователя на основе скрытых марковских цепей

3.1 Обоснование выбора индикаторов предпочтений пользователя

3.1.1 Анализ ограничений временных индикаторов предпочтения

3.1.2 Оценка эффективности индикаторов предпочтения, основанных на взаимодействии пользователя с интерфейсом АГИ

3.1.3 Предположение о скрытых состояниях пользователя

3.2 Оценка релевантности гипермедиа страниц с помощью скрытых марковских моделей (СММ)

3.2.1 Обозначения дискретной СММ

3.2.2 Выбор СММ для описания интерфейсных наблюдений

3.2.3 Декодирование и определение индексов предпочтения 9*

3.2.4 Особенности обучения СММ для гипермедиа страниц по критерию релевантности

3.3 Анализ практической применимости разработанной методики и выявление ограничений 100 Выводы по главе

Глава IV. Реализация адаптивного модуля для осуществления рекомендаций в АГИ

4.1 Особенности интеграции разработанного АГИ в Интернет

4.2 Разработка архитектуры модуля адаптации

4.3 Оценка эффективности предложенных методов совместной фильтрации

Выводы по главе

Введение диссертации (часть автореферата) на тему «Адаптивные гипермедиа издания, интегрированные в Интернет»

Среди прочих средств массовой информации (телевидение, радио, печатные издания) Интернет становится равноправным источником, и его роль в современном обществе увеличивается с каждым днем. По оценкам Роспечати интернет-СМИ сегодня выходят на второе место после телевидения, при этом число постоянных пользователей глобальной сети в России в настоящее время превысило 18 млн. человек. Популярность информационных интернет-изданий за- последние пять лет возросла десятикратно, что явилось причиной усиления конкуренции на рынке онлайн-периодики. Все больше традиционных печатных СМИ вынуждены развивать интернет подписку и делать электронные версии собственных печатных изданий; на данный момент раздел российского сегмента «СМИ-Периодика» уже насчитывает более 1700 web-pecypcoB. Прогнозируется, что среди прочих ресурсов именно электронные версии периодических изданий в ближайшее время будут занимать лидирующие позиции по посещаемости.

С каждым днем объем информации, хранящийся на web-cepeepax, увеличивается, внедряются все новые технологии. Увеличение функциональности гипермедиа систем приводит к усложнению интерфейсов, логической структуры, а также информационной «перегруженности» визуальных макетов. В такой постоянно развивающейся среде как Интернет, конечному пользователю становится все сложнее ориентироваться в гиперпространстве и осуществлять доступ к информационным архивам. В результате возникает чрезвычайно актуальная проблема, связанная с неэффективным использованием web-pecypcoB (увеличение временных затрат на поиск релевантных гипермедиа документов, досрочное прекращение сеанса работы и т.д.). Решение данной проблемы может быть найдено в разработке интеллектуальных механизмов прогнозирования предпочтений конечных пользователей и представление информации в форме, отвечающей их текущим потребностям.

Использование методов и подходов из различных областей искусственного интеллекта и математической статистики дает возможность построения, так называемых, адаптивных гипермедиа систем, способных динамически изменять свою структуру и формат представляемых данных в ответ на действия пользователя, который взаимодействует с данной системой. Таким образом, наряду с интерактивными и статическими гипермедиа изданиями, которые предоставляют однотипную информацию для всей аудитории, можно говорить о появлении'нового класса адаптивных электронных изданий, целью которых является персонализация содержимого (текстовой и мультимедиа информации), навигационной структуры или формата отображаемых данных.

Очевидно, что адаптивная гипермедиа система должна обеспечивать идентификацию конечного пользователя и производить адаптацию в соответствии с пользовательской моделью. При этом могут учитываться различные характеристики пользователя: интересы, знания, предпочтения, опыт и т.д. Вместе с тем адаптивная система должна также фиксировать навигационные переходы (пользовательские сессии или сеансы), анализировать гипермедиа содержимое, различные индикаторы предпочтения (интерфейсные, временные наблюдения, пользовательские оценки значимости информационных страниц и т.д.).

Технологии адаптивного представления информации могут применяться как в случае небольших гипертекстовых изданий с фиксированным набором страниц (или обновляемых в определенные промежутки времени), так и в сложных, распределенных системах, хранящих содержимое в реляционных базах данных и генерирующих страницы динамическим образом в режиме реального времени.

По мере развития информационных технологий, гипермедиа издания, интегрированные в Интернет, становятся все более доступными и функциональными. Широкое распространение электронных изданий, а также возрастающие требования современного пользователя в получении актуальной и релевантной информации с минимальными временными затратами, явилось причиной снижения популярности традиционных гипермедиа систем. Чтобы предоставить пользователю максимум возможностей и удобства доступа к информации, при этом оказаться конкурентоспособным на рынке онлайн-периодики, разработчики web-ресурсов вынуждены использовать новые технологии с целью персонализации информации конечному пользователю.

Следует отметить, что в настоящее время российский сегмент адаптивных изданий практически не выражен. Существуют попытки персонализации навигационной структуры, в частности, размещение в макете издания дополнительного навигационного блока, связывающего текущую страницу с другими релевантными документами, то есть, документами, представляющими для конечного пользователя наибольший интерес. Однако подобная рекомендация носит статический характер и не учитывает характеристики конечного пользователя. Подходы к информационной фильтрации для выделения коррелированных гипермедиа страниц нашли применение в системах электронной коммерции и в отношении информационных изданий, в частности, электронных версий периодических изданий практически не рассматривались. По этой причине разработка эффективных методик прогнозирования предпочтений пользователей в рамках информационной фильтрации видится чрезвычайно актуальным вопросом.

Актуальность

Итак, выделим наиболее значимые предпосылки, определяющие актуальность данной тематики исследования:

• Значительный рост популярности информационных интернет-изданий за последние пять лет.

• Рост посетителей сети Интернет и конкуренции на рынке онлайн-периодики.

• Необходимость традиционных печатных СМИ развивать интернет подписку и осуществлять публикацию в глобальных сетях электронных версий изданий. *

• Малая развитость сегмента адаптивных электронных изданий при увеличении функциональности традиционных гипермедиа систем.

• Увеличение объемов доступной информации, неэффективное использование информационных архивов.

• Отсутствие эффективных механизмов прогнозирования предпочтений пользователей, ориентированных на долгосрочное использование электронных изданий.

Пель исследования

Разработка методик адаптации навигационной структуры гипермедиа изданий, интегрированных в глобальную сеть Интернет, для обеспечения эффективного поиска, просмотра и доступа к информации конечного пользователя.

Задачи исследования

• Обобщение опыта теоретических и практических разработок в области адаптивных гипермедиа систем.

• Выбор подхода к адаптации, учитывающий специфику класса электронных изданий.

• Разработка модифицированных алгоритмов адаптации в рамках выбранного подхода и пользовательской модели.

• Разработка методики определения релевантности гипермедиа страниц для конечного пользователя.

• Практическая реализация модуля адаптации с помощью выбранных аппаратных и программных средств.

• Оценка действенности и практической пригодности предложенных методик на примере интеграции электронной версии печатного издания в адаптивную гипермедиа систему.

Объект исследования

Объектом исследования в данной диссертационной работе выбраны гипермедийные электронные издания, интегрированные в глобальную сеть Интернет.

Предмет исследования

В качестве предмета исследования выступает процесс адаптации навигационной структуры сетевых электронных изданий для конечного пользователя.

Структура и объем диссертации

Диссертационная работа состоит из введения, четырех глав, выводов, двух приложений, списка литературы из 92 наименований, содержит 150 страниц машинописного текста, в том числе 6 таблиц и 35 рисунков.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Зайцев, Илья Борисович

Выводы по главе

1. Для конечной реализации адаптивной гипермедиа системы рекомендовано использовать web-серверную платформу Apache в связке с интерпретатором серверных сценариев РНР и СУБД MySQL.

2. Для сохранения последнего просмотра в пользовательской сессии предложена техническая возможность, основанная на технологии JavaScript.

3. В качестве показателей эффективности методов совместной фильтрации были выбраны статистические меры точности, покрытия и величина F1.

4. Из трех, предложенных методов совместной фильтрации наиболее предпочтительным является модифицированный алгоритм «наивного» Байесовского классификатора, поскольку обеспечивает компромисс между вычислительной сложностью и показателями эффективности.

5* Наименьшую вычислительную ■ сложность обеспечивает методика кластеризации «К-медиан», однако имеет невысокую точность, рекомендации.

6. В ходе эксперимента для методики «наивного» Байесовского классификатора установлен необходимый и достаточный объем обучающей выборки, выше которого абсолютная ошибка рекомендации не уменьшается.

Заключение

В ходе диссертационной работы была разработана и интегрирована в глобальное пространство Интернет адаптивная гипермедиа система, что является важнейшим шагом в развитии электронной версии периодического издания «Мир печати». При этом при переходе с динамической на адаптивную архитектуру сохранилась логическая и информационная целостность издания. ' *

Разработанная адаптивная система доведена до практической реализации в виде программного макета. Благодаря модульному и шаблонному принципу построения возможно подключать новые серверные сценарии, а также легко настраивать существующие без изменения структуры издания. Таким образом, система ориентирована на долгосрочное использование, а с помощью внешних программных модулей в дальнейшем ее возможно модифицировать, расширять и совершенствовать. С экономической точки зрения разработка системы полностью оправдана благодаря использованию доступных технических средств (в частности выбраны программные продукты с открытым исходным кодом и распространяющиеся бесплатно). Вместе с этим разработка проводилась с применением новейших и развивающихся технологий (серверного языка программирования РНР 4 и СУБД Mysql 3.23).

Разработанная система совместима со всеми типами браузеров, межплатформенна и переносима (проектирование велось с учетом возможной интеграции на серверах различной конфигурации). С 1 сентября

2004 г. адаптивная система введена в опытную эксплуатацию, а с 1 сентября

2005 г. она доступна по адресу http://www.mgup.ru/mp.

Изложенные в работе результаты могут быть использованы при совершенствовании и модификации существующих гипермедиа изданий, интернет порталов, а также обучающих электронных изданий.

В заключении перечислим основные выводы и результаты диссертационного исследования:

1. В результате анализа существующих видов и подходов к адаптации применительно к электронным версиям периодических изданий выделены формы адаптации, касающиеся рекомендации гипермедиа документов и оптимизации навигационной структуры электронных изданий в реальном времени, которые позволяют • обеспечить эффективный доступ к информационным архивам и ориентировать конечных пользователей на долгосрочное использование электронных изданий.

2. Согласно задачам группировки совместной информации, предложены модифицированные алгоритмы регрессии, классификации и кластеризации, учитывающие ограничения методов совместной фильтрации. В частности, для методики «X-ближайших соседей» был предложен механизм проверки значимости расчетного коэффициента корреляции Пирсона с использованием Г-теста, что позволило динамически формировать множество К-ближайших пользователей в зависимости от количества совместных просмотров. Для методики «наивного» Байесовского классификатора удалось повысить точность рекомендации путем обучения среди сильно связанных пользовательских сессий по отношению к целевой странице на основе коэффициента взаимозависимости. Для методики кластеризации «К-медиан» предложен алгоритм инициализации, уменьшающий влияние исходного выбора центров кластеров на результирующие данные.

3. Разработана методика определения релевантности гипермедиа документов, базирующаяся на скрытых марковских моделях, которая позволяет вычислять неявные индексы предпочтения с учетом особенностей поведения конечных пользователей, в частности, скорости восприятия информации и моментов бездействия. Результаты эксперимента с использованием непараметрического теста Крускаля-Валлиса подтвердили гипотезу об адекватности предложенной модели.

4. В соответствии с пользовательской моделью произведен сбор и статистическая обработка. навигационной информации, формирующей обучающую выборку, что позволило определить требования к входным данным для предложенных алгоритмов совместной фильтрации.

5. Произведен сравнительный анализ предложенных методик совместной фильтрации, на основе статистических показателей эффективности: точности, покрытия рекомендации,, а также величины F1. В результате оценки эффективности для конечной реализации выбран алгоритм «наивного» Байесовского классификатора, обеспечивающий высокую точность рекомендации и компромисс в вычислительной сложности. Выявлен достаточный объем обучающей выборки, при котором достигается минимальная абсолютная ошибка рекомендации.

6. Осуществлена программная реализация предложенных методик на примере интеграции электронной версии периодического печатного издания «Мир печати» в адаптивную гипермедиа систему. Модуль адаптации включает в себя пакет серверных сценариев, написанных на web-ориентированном языке РНР и предназначенных для интеграции с СУБД MySQL. В ходе эксплуатации адаптивного издания зафиксировано увеличение средней длины пользовательских сеансов на 24%, а также увеличение агрегатного индекса предпочтений в среднем на 40%.

Список литературы диссертационного исследования кандидат технических наук Зайцев, Илья Борисович, 2005 год

1. Аверин Д.В, Опыт классификации электронных изданий // Известия вузов. Проблемы полиграфии и изд. дела. 2ООО . № 1. С. 145-148.

2. Агеев В. Н. Электронная книга: новое средство социальной коммуникации. М.: Мир книги, 1997.

3. Барсегян А.А. Методы и модели анализа данных. OLAP и Data Mining. СПб.: Изд-во «БХВ», 2004.

4. Вентцель Е.С., Овчаров JI.A. Теория случайных процесов и ее инженерные приложения. М.: Высш. шк., 2000.

5. Вуль В.А. Электронные издания. СПб.: Изд-во «БХВ», 2003.

6. Вуль В.А. Совершенствование информационной структуры современного издательства и сетевые издательские технологии // Материалы конференции «Региональная информатика 2000». - СПб., 2001.

7. Гасов В.М., Цыганенко A.M. Методы и средства подготовки электронных изданий. М.: Изд-во МГУП, 2001.

8. ГОСТ 7.83-2001. Электронные издания. Основные виды и выходные сведения.

9. Дикарев С .Б, Целых А. А. Некоторые подходы к проектированию адаптивных систем // Перспективные информационные технологии и интеллектуальные системы №1(21). Таганрог, 2005.

10. Дикарев С.Б., Курейчик В.М., Сахаров B.JI. Проектирование адаптивных информационных и образовательных систем // Перспективные информационные технологии и интеллектуальные системы №4(16). -Таганрог, 2003.

11. Дикарев С.Б., Сахаров B.JI. Проектирование адаптивных гипермедиа систем для управления разнородными информационными ресурсами // Материалы конференции «Информационные технологии в образовании». -СПб, 2003.

12. Дрейпер Н, Смит Г. Прикладной регрессионный анализ. Кн.1. М.: Финансы и статистика, 1986.

13. Дюк В, Самойленко A. Data Mining: учебный курс. СПб.: Изд-во «Питер», 2001.

14. Зайцев И.Б. Оптимизация передачи гипертекстовых изданий в глобальных сетях // Известия вузов. Проблемы полиграфии и издательского дела. Вып.З. М.: МГУП, 2003. - С. 82-86.

15. Зайцев И.Б. Модифицированный алгоритм «К-ближайших соседей» для совместной фильтрации в адаптивных гипертекстовых системах // Вестник МГУП. №5.-М.: МГУП, 2005.-С. 105-112.

16. Зайцев И.Б. Оценка релевантности гипермедиа документов на основе скрытых марковских моделей // Информационные технологии моделирования и управления №5(23). Воронеж: Изд-во «Научная книга», 2005.-С. 730-738.

17. Зайцев И.Б. Методика «наивного» Байесовского классификатора для задачи совместной фильтрации в системах рекомендации // Доклады независимых авторов. Вып.2. Изд-во «DNA», Россия-Израиль, 2005. G.20-27.

18. Котов Э.М. Построение информационных систем для поиска релевантной информации в гипертекстовой информационной среде // Перспективные информационные технологии и интеллектуальные системы №4(20). Таганрог, 2004.

19. Кэннигнхэм С. Электронные издания сегодня и завтра. Журнал «Открытые системы», №5,1995 год // Издательство «Открытые системы».

20. Новичихин А.В. К вопросу об эффективности и проблемах при построении моделей оптимизации Web-сайтов // Материалы VI Всероссийской объединенной конференции IST/IMS-2003. Воронеж, ВГУ, 2003.

21. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том 1.: Пер с англ. М.: Изд. Дом «Вильяме», 2001.

22. Томсон JL, Веллинг JI. Разработка Web-приложений на РНР и MySQL: Пер. с англ. К.: Изд-во «ДиаСофт», 2001.

23. Успенский И.В. Интернет-маркетинг. Учебник.- СПб.: Изд-во СПГУЭиФ, 2003. .

24. Anderson, С, Domingos, Р, and Weld, D. Adaptive Web navigation for wireless devices. In Proceedings of the Seventeenth International Joint Conference on Artificial Intelligence, pages 879-884. Morgan Kaufmann, San Francisco, CA, 2001.

25. Basu C., Hirsh H., and Cohen W. Recommendation as classification: Using social and content-based information in recommendation. In AAAI/IAAI, pages 714-720, 1998.

26. Berkhin P. Survey of clustering data mining techniques. Technical report, Accrue Software, San Jose, CA, 2002.

27. Billsus D. and Pazzani M. Learning collaborative information filters. In Proc. 15th International Conf on Machine Learning, pages 46-54. Morgan Kauf-mann, San Francisco, CA, 1998.

28. Billsus, D., Brunk, C.A., Evans, C., Gladish, В., and Pazzani, M. Adaptive interfaces for ubiquitous Web access. Commun. ACM 45, 2002.

29. Borges, J., and Levene,,M. Data mining of user navigation patterns. Web Usage Analysis and User Profiling, pages 92-111. Springer, Berlin, 2000.

30. Breese J., Heckerman D., and Kadie C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering. In Proceedings of the Fourteenth Annual Conference on Uncertainty in Artificial Intelligence, pages 43-52, July 1998.

31. Brusilovsky, P. Adaptive hypermedia // User Modeling and User Adapted Interaction, 11, 2001.

32. Brusilovsky, P., Kobsa, A., and Vassileva, J., Eds. Adaptive Hypertext and Hypermedia. Kluwer Academic Publishers, Dordrecht, 1998.

33. Brusilovsky, P, and Pesin, L. Adaptive navigation support in educational hypermedia: An evaluation of the ISIS-Tutor. Journal of Computing and Information Technology 6, 1998.

34. Brusilovsky, P, Stock, O., and Strapparava, C. Adaptive hypermedia and adaptive Web-based systems, AH2000. Lecture Notes in Computer Science, Springer-Verlag, Berlin, 2000..

35. Cadez, I. and Smyth, P. Probabilistic clustering using hierarchical models. Technical Report 99-16, Information and Computer Science, University of California, Irvine, 1999.

36. Cheeseman, P. and Stutz, J. Bayesian classification (AutoClass): Theory and results. Advances in Knowledge Discovery and Data Mining, pages 153180. AAAI Press, Menlo Park, CA, 1995.

37. Chen, M.-S, Park, J., and Yu, P. Efficient data mining for traversal patterns. IEEE Transactions on Knowledge and Data Engineering, 10:209221, 1998.

38. Claypool M, Le P, Wased M., and Brown D. Implicit interest indicators. In Intelligent User Interfaces, pages 33-40, 2001.

39. Cooley, R, Tan, P.-N, and Srivastava, J. Websift: the Web site information filter system. In Masand, B. and Spiliopoulou, M., editors, Web Usage Analysis and User Profiling, pages 163-182. Springer, Berlin, 2000.

40. De Bra, P, Aerts, A, Berden, B. AHA! The Adaptive Hypermedia Architecture // Proc. of the ACM Hypertext Conference. Nottingham, UK, 2003.

41. Denning P. Electronic junk. Communications of the ACM, 25(3):163-165, 1982.

42. Dempster, A., Laird, N., and Rubin, D. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, В 39:1-38, 1997.

43. Deshpande, M. and Karypis, G. Selective Markov models for predicting web-page accesses. ACM Transactions on Internet Technology, 2003.

44. Dumais, S. When do you want to go where everybody knows your name? A framework for personalization // DELOS/NSF Workshop on Personalization and Recommender Systems in Digital Libraries. Dublin, 2001.

45. Fink, J., Koenemann, J., Noller, S., and Schwab, I. Putting personalization into practice. Commun. ACM 45, 2002.

46. Fraley, C., and Raftery, A. How many clusters? Which clustering method? Answers via model-based cluster analysis. Computer Journal, 41:578-588,1998.

47. Fu, Y., Sandhu, K., and Shih, M. Clustering of Web users based on access patterns. In Masand, B. and Spiliopoulou, M., editors, Web Usage Analysis and User Profiling, pages 21-38. Springer, Berlin, 2000.

48. Girolami M. and Kaban A. Simplicial mixtures of markov chains: Distributed modelling of dynamic user profiles. In Proceedings of the Seventeenth Annual Conference on Neural Information Processing Systems (NIPS-2003), 2003.

49. Gokhale A. and Claypool M. Thresholds for more accurate collaborative filtering. In In Proceedings of the IASTED International Conference on Artificial Intelligence and Soft Computing, Honolulu, Hawaii, USA, 1999.

50. Goldberg D., Nichols D., Oki В., and Terry D. Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12):61-70, 1992. '

51. Guyon I. and Elisseeff A. An introduction to variable and feature selection. Journal of Machine Learning Research. Special Issue on Variable and Feature Selection., 3:1157-1182, 2003.

52. Herlocker, J., Konstan, J., Borchers, A., Riedl, J. An Algorithmic Framework for Performing Collaborative Filtering // Proc. of the ACM SIGIR, 1999.

53. Hofmann T. Learning What People Don't Want. In Proceedings of the European Conference on Machine Learning (ECML), 2001.

54. Kaplan, C., Fenwick, J., and Chen, J. Adaptive hypertext navigation based on user goals and context. User Modeling and User-Adapted Interaction 3, 1993.

55. Kilfoil, M, Ghorbani, A. Toward An Adaptive Web: The State of the Art and Science // Proc. of the CNSR 2003 Conference. Moncton, New Brunswick, Canada, 2003.

56. Kohrs A. and Merialdo B. Clustering for collaborative filtering applications, 1999.

57. Little R. and Rubin D. Statistical analysis with missing data. John Wiley & Sons, Inc., 1987.

58. Loeb S. and Terry D. Information filtering. Communications of the ACM, 35(12):26-28, 1992.

59. Marlin В. Modeling user rating profiles for collaborative filtering. In Proceedings of the Seventeenth Annual Conference on Neural Information Processing Systems (NIPS-2003), 2003.

60. Melville P, Mooney R, and Nagarajan R. Content-boosted collaborative filtering. In Proceedings of the ACM SIGIR Workshop on Recommender Systems, 2001.

61. Miliar, N. and Donath, J. Visualizing crowds at a Web site. In Conference on Human Factors in Computing Systems; CHI99, pages 186187, 1999.

62. Mitchell T. Machine Learning. WCB McGraw-Hill, Boston, 1997.

63. Miyahara K. and Pazzani M. Collaborative filtering with the simple bayesian- classifier. In Pacific Rim International Conference on Artificial Intelligence, pages 679-689, 2000.

64. O'Connor M. and Herlocker J. Clustering items for collaborative filtering. In ACM SIGIR '99 Workshop on Recommender Systems: Algorithms and Evaluation, 1999.

65. Pavlov D. and Pennock D. A maximum entropy approach to collaborative filtering in dynamic, sparse, high dimensional domains. In Proceedings of the Sixteenth Annual Conference on Neural Information Processing Systems (NIPS-2002), 2002.

66. Perkowitz, M, Etzioni, O. Towards Adaptive Web Sites: Conceptual Framework and Case Study if Artificial Intelligence, 118,2000.

67. Pirolli, P. and Pitkow, J. Distribution of surfer's paths through the world wide web. World Wide Web, 2:29-45, 1999.

68. Poulsen, C. Mixed Markov and latent Markov modelling applied to brand choice behavior. International Journal of Research in Marketing, 7:5-19, 1990.

69. Rabiner L. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, 1989 Available athttp://www.caip.mtgers.edu/~lrr/Reprints/fetorial%20on%20hmm%20and%20appl ications.pdf

70. Ridgeway, G. and Altschuler, S. Clustering finite discrete Markov chains. Proceedings of the Section on Physical and Engineering Sciences, pages 228-229.

71. Sarukkai, R. Link prediction and path analysis using Markov chains. Computer Networks, 33(l-6):377-386, 2000.

72. Sarwar В., Karypis G., Konstan J., and Riedl J. Application of dimensionality reduction in recommender systems-a case study. In ACM WebKDD Workshop, 2000.

73. Schein A., Popescul A., and Ungar L. Methods and metrics for cold-start recommendations. \n Proceedings of the 25'th annual International ACM

74. SIGIR Conference on Research and Development in Information Retrieval, 2002.

75. Sen, R, and Hansen, M. Predicting a Web user's next access based on log data. Journal of'Computational Graphics and Statistics, 12(1): 143-—155, 2003.

76. Seymore K, McCallum A, and Rosenfeld R. Learning Hidden Markov Model Structure for Information Extraction. AAAI 99 Workshop on Machine Learning for Information Extraction, 1999.

77. Shardanand U, and Maes P. Social information filtering: Algorithms for automating "word of mouth". In Proceedings of ACM CHI'9 5 Conference on Human Factors in Computing Systems, volume 1, pages 210-217, 1995.

78. Smyth, P. Clustering sequences using hidden Markov models. In Mozer, M, Jordan, M., and Petsche, T, editors, Advances in Neural Information Processing Systems 9, pages 648-654. MIT Press, 1997.

79. Spiliopoulou, M, Pohle, C, and Faulstich, L. Improving the effectiveness of a web site with Web usage mining. In Masand, B. and Spiliopoulou, M., editors, Web Usage Analysis and User Profiling, pages 142-162. Springer, Berlin, 2000.

80. Ungar L, and Foster D. Clustering methods for collaborative filtering. In Proceedings of the Workshop on Recommendation Systems, Menlo Park California, AAAI Press, 1998.

81. Wexelblat, A. and Maes, P. Footprints: History-rich tools for information foraging. In Proceedings of ACM CHI 99 Conference on Human Factors in Computing Systems, pages 270-277, 1999.

82. Zaffalon M., and Hutter M. Robust feature selection using distributions of mutual information. Proceedings of the 18th International Conference on Uncertainty in Artificial Intelligence (UAI-2002), pages 577-584, San Francisco, CA., 2002. - .

83. Zuckerman, I., Albrecht, D., and Nicholson, A. Predicting user's requests on the WWW. In Proceedings of the Seventh International Conference on User Modeling, pages 275-284. Springer Wien, 1999.