Алгоритмическое и программное обеспечение региональной системы контекстной рекламы в среде Интернет тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Силич, Василий Викторович
- Специальность ВАК РФ05.13.11
- Количество страниц 244
Оглавление диссертации кандидат технических наук Силич, Василий Викторович
ВВЕДЕНИЕ.
1. ОРГАНИЗАЦИЯ СИСТЕМ КОНТЕКСТНОЙ РЕКЛАМЫ В СРЕДЕ ИНТЕРНЕТ.
1.1. Механизмы работы систем контекстной рекламы.
1.2. Другие виды рекламы в среде Интернет и их сравнение с контекстной рекламой.
1.3. Существующие системы контекстной рекламы.
1.4. Методы организации систем контекстной рекламы.
Выводы по главе 1.
2. АЛГОРИТМЫ ОРГАНИЗАЦИИ СИСТЕМЫ КОНТЕКСТНОЙ РЕКЛАМЫ, ИНТЕГРИРОВАННОЙ С РЕГИОНАЛЬНОЙ ПОИСКОВОЙ СИСТЕМОЙ.
2.1. Концепция интеграции системы контекстной рекламы и региональной поисковой системы.
2.2. Алгоритм выбора релевантных рекламных объявлений по множеству факторов.
2.3. Алгоритм выбора объявлений по поисковому запросу.
2.4. Алгоритмы выбора объявлений по тегам и выделения тегов.
2.4.1. Алгоритм выбора объявлений по тегам страницы.
2.4.2. Алгоритм выделения тегов из текста страницы.
2.5. Алгоритмы выбора объявлений по поведенческим факторам.
2.5.1. Алгоритм выбора объявлений в соответствии с историей запросов пользователя.
2.5.2. Алгоритм выбора объявлений в соответствии с историей посещенных пользователем сайтов.
2.6. Алгоритмы выбора объявлений в соответствии с их характеристиками.
2.6.1. Алгоритм выбора объявлений в соответствии с их эффективностью.
2.6.2. Алгоритм выбора объявлений в соответствии с их качеством.
Выводы по главе 2.
3. ОЦЕНКА ЭФФЕКТИВНОСТИ РАБОТЫ СИСТЕМЫ КОНТЕКСТНОЙ РЕКЛАМЫ.
3.1. Методы оценки систем текстового поиска.
3.2. Выбор видов оценочного тестирования системы контекстной рекламы.
3.3. Оценка эффективности алгоритма выбора объявлений по поисковому запросу.
3.4. Оценка эффективности алгоритма выделения тегов из текста страницы.
3.5. Оценка эффективности алгоритма выбора объявлений в соответствии с их качеством.
3.6. Оценка эффективности алгоритма выбора объявлений по множеству факторов.
3.7. Оценка эффективности выбора объявлений в СКР «Поисколог» в сравнении с другими СКР.
Выводы по главе 3.
4. РЕАЛИЗАЦИЯ СИСТЕМЫ КОНТЕКСТНОЙ РЕКЛАМЫ И РЕГИОНАЛЬНОЙ ПОИСКОВОЙ СИСТЕМЫ.
4.1. Средства реализации.
4.2. Архитектура интегрированной системы.
4.3. Реализация системы контекстной рекламы.
4.4. Реализация поисковой системы.
4.5. Реализация модуля анализа поведения пользователя.
4.6. Внедрение интегрированной РПС «Поисколог».
Выводы по главе 4.
Рекомендованный список диссертаций по специальности «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», 05.13.11 шифр ВАК
Рекламные технологии в электронных изданиях2009 год, кандидат филологических наук Миронов, Сергей Николаевич
Контекстно-ассоциативный метод уточнения поисковых запросов с обратной связью по релевантности2006 год, кандидат физико-математических наук Беляев, Дмитрий Владимирович
Развитие методов и моделей формирования интеллектуального контента2012 год, кандидат экономических наук Евсюткин, Александр Сергеевич
Управление контентом веб-сайта на основе персонализации данных2011 год, кандидат технических наук Царев, Анатолий Геннадиевич
Разработка архитектуры программной системы автоматизированного сбора тематической информации в сети Интернет2004 год, кандидат технических наук Арутюнян, Роман Эрнстович
Введение диссертации (часть автореферата) на тему «Алгоритмическое и программное обеспечение региональной системы контекстной рекламы в среде Интернет»
Актуальность темы диссертации
Системы контекстной рекламы (СКР) в настоящее время широко используются как в зарубежном, так и в российском сегментах Интернета. Свою популярность они заработали за счёт того, что позволяют эффективно продвигать рекламодателю сайты в Интернете даже при сравнительно небольшом бюджете. При этом рекламодатель получает гарантированное количество целевых посетителей на свой сайт, а владельцы сайтов и поисковых систем, на которых размещены рекламные объявления — стабильный доход. Для пользователя СКР является источником дополнительной информации, соответствующей контексту просматриваемой им страницы. Таким образом, системы контекстной рекламы в настоящее время являются неотъемлемым инструментом маркетинга в Интернете, будучи полезными как для рекламодателей, так и для владельцев сайтов и их посетителей.
Системы контекстной рекламы, как правило, создаются при поисковых системах ввиду их широкой аудитории, наличию явно сформулированного интереса пользователя, выраженного в поисковом запросе, высокому уровню доверия к поисковым системам. При этом СКР интегрируются не только с крупными Интернет-порталами, но и с региональными поисковыми системами (РПС), причем рекламодатели в большинстве случаев заинтересованы именно в последних, т.к. их целевой аудиторией являются преимущественно региональные посетители. Пользователи, в свою очередь, также все больше предпочитают РПС по той причине, что они позволяют искать информацию, актуальную именно для данного региона. В пользу ограничения поиска только региональными ресурсами выступает и наличие в ряде регионов бесплатного доступа к ним. Таким образом, создание системы контекстной рекламы, интегрированной с региональной поисковой системой, является актуальной задачей.
При организации систем контекстной рекламы разработчики используют методы, относящиеся к таким областям, как информационный поиск (Information Retrieval), машинное обучение (Machine Learning), интеллектуальный анализ текстов (Text Mining) и извлечение знаний из Internet (Web mining). Основными задачами при проектировании СКР являются: выбор рекламных объявлений, соответствующих контексту действий пользователя; выделение ключевых фраз из текстов страниц; рекомендация и сравнение ключевых фраз. При решении этих задач, как правило, применяются подходы, основанные на различных обучающих (Murdock V., Zhang W. и др.) [163165, 198] и классификационных (Broder A., Josifovski V., Anagnostopoulos А. и др.) [109-110, 117] алгоритмах. Помимо этого широко распространены методы байесовской сети (Ribeiro-Neto В., Cristo M., Golgher Р. и др.) [172], генетического программирования (Lacerda A., Cristo M., Ribeiro-Neto В. и др.) [144], а также метод анализа текстов TF-IDF (Baeza-Yates R., Ribeiro-Neto В., Yih W., Goodman J. и др.) [115, 172, 194-195].
Необходимо отметить, что отечественных разработок, посвященных организации СКР, крайне мало (одна из них - [62]), однако ведутся исследования в смежных областях, таких как информационный поиск и компьютерная лингвистика. Наиболее авторитетными источниками информации в данных областях являются материалы международных конференций ДИАЛОГ и РОМИП.
Использование существующих методов применительно к развивающимся региональным СКР зачастую вызывает трудности. Дело в том, что большинство подходов основывается на различных видах статистического анализа и машинного обучения. При этом необходимо предварительно обучить модель на некотором объёме исходных данных. Такие обучающие выборки отсутствуют как таковые в открытом доступе, поэтому эти данные необходимо накапливать в самой системе контекстной рекламы или поисковой системе. А поскольку на этапе разработки и в первое время существования
СКР статистических данных в необходимых объёмах просто нет, то соответственно эффективность применения упомянутых методов крайне мала.
Ряд методов основан на принципах полного перебора: каждое объявление сравнивается с содержанием страницы или поисковым запросом. Учитывая, что количество объявлений может достигать тысяч, а запросов и текстов страниц - сотен тысяч, использование подобных методов в режиме реального времени невозможно из-за высоких требований к вычислительным мощностям.
Одним из наиболее важных является вопрос о том, какие факторы и с какой степенью должны учитываться при выборе и ранжировании объявлений. Подавляющее большинство систем контекстной рекламы при выборе руководствуется, прежде всего, стоимостью объявлений, стремясь показать наиболее дорогие объявления. При этом такие факторы, как интересы пользователя или, например, степень соответствия ключевых фраз объявления контексту страницы играют второстепенную роль либо не учитываются вовсе. В условиях большого количества пользователей и рекламных объявлений такой подход вполне оправдан, однако он оказывается не эффективным для развивающихся региональных СКР, конкуренция рекламодателей в которых мала, а количество пользователей невелико. Дело в том, что прибыль зависит не только от ставки за переход по объявлению, но и от количества переходов, а значит, от релевантности показываемых объявлений. Таким образом, более перспективным для региональной СКР представляется подход, ориентированный на выбор рекламных объявлений, наиболее релевантных интересам пользователей. При этом предлагается учитывать множество различных факторов, характеризующих как интересы пользователей и контекст страницы, так и само объявление. Вопросы одновременного использования в рамках систем контекстной рекламы нескольких факторов, влияющих на ранжирование объявлений, недостаточно проработаны в научных исследованиях (они затрагиваются лишь в [140, 181]).
Ввиду отсутствия точных количественных оценок релевантности1 рекламных объявлений представляется целесообразным при их выборе и ранжировании использовать аппарат нечетких множеств. При этом определение степени релевантности объявлений как по отдельным факторам, так и по их совокупности не должно опираться на методы обработки больших объемов статистических данных и машинного обучения, а также на методы полного перебора.
Цель работы
Разработка алгоритмов и программных средств организации системы контекстной рекламы, интегрированной с региональной поисковой системой, обеспечивающих высокую релевантность рекламных объявлений информационным потребностям пользователя.
Задачи для достижения поставленной цели
1. Анализ и сравнение существующих систем контекстной рекламы, а также методов их организации.
2. Разработка алгоритмов, не использующих большой объём накопленных данных, для выбора релевантных объявлений по отдельным факторам (поисковому запросу; тегам, характеризующим страницу; навигационной истории и истории поисковых запросов пользователя; качеству и эффективности объявлений) и по совокупности факторов, а также алгоритма выделения тегов из текста страницы.
3. Проведение экспериментальных исследований разработанных алгоритмов.
4. Создание программного комплекса, реализующего разработанные алгоритмы, включающего СКР и региональную поисковую систему.
1 Релевантность - субъективное понятие, под которым в системах текстового поиска понимается соответствие ответов системы информационным потребностям пользователя. Концептуально степень релевантности можно измерять вещественным числом от 0 до 1 [56]. Используется также термин «пертинентность».
Методы исследования
В ходе диссертационного исследования были использованы модели и методы теории нечетких множеств, статистического и морфологического анализа, а также методы, относящиеся к областям знаний Information Retrieval, Text Mining и Web Mining. При реализации программного комплекса был применён ряд методов объектно-ориентированного проектирования и программирования.
Научная новизна
1. Впервые предложен алгоритм выбора рекламных объявлений, основанный на формировании нечеткого множества релевантных объявлений по множеству факторов, характеризующих как сами рекламные объявления и контекст страницы, так и личные предпочтения пользователей.
2. Разработан новый алгоритм выбора рекламных объявлений в соответствии с поисковым запросом пользователя, позволяющий учитывать как степень совпадения, так и порядок слов запроса и ключевой фразы объявления с использованием коэффициента Джаккарда и наибольшей общей подпоследовательности фраз.
3. Предложен новый алгоритм выбора рекламных объявлений по тегам текущей страницы, учитывающий релевантность тегов по отношению к тексту страницы и степень их совпадения с ключевыми фразами объявлений. Для выделения тегов из текстов страниц и определения их релевантности разработан алгоритм, модифицирующий метод «ко-появлений» для выделения термов.
4. Разработаны новые алгоритмы выбора рекламных объявлений в соответствии с поисковой и навигационной историями пользователя. Первый учитывает не только степень релевантности ключевых фраз объявления наиболее популярным поисковым запросам пользователя, но и частоту встречаемости запросов в истории, второй - частоту встречаемости категорий, к которым принадлежит сайт объявления, в истории посещенных пользователем сайтов.
5. Предложены новые алгоритмы выбора объявлений в соответствии с их эффективностью и качеством. Первый, основанный на расчете показателя CTR (Click-Through Rate), отличается тем, что учитывает лишь «гарантированные» просмотры объявления пользователями. Второй, основанный на расчете показателя качества объявления, учитывает не только количество значимых слов объявления, находящихся в тексте целевой страницы, но и их наличие в различных html-тегах.
Основные положения, выносимые на защиту
1. Разработанные алгоритмы выбора релевантных рекламных объявлений, позволяющие учитывать контекст страницы, характеризуемый текущим поисковым запросом или тегами страницы, прошлые интересы пользователя, характеризуемые поисковой и навигационной историями пользователя, а также характеристики объявлений.
2. Результаты экспериментов, показавшие превосходство разработанных алгоритмов по сравнению с аналогами, а также высокую степень соответствия результатов их работы оценкам экспертов.
3. Созданная система «Поисколог», реализующая предложенные алгоритмы, позволяющая пользователям осуществлять различные виды поиска по региональным ресурсам и получать в качестве дополнительной релевантной информации рекламные объявления, а рекламодателям - создавать и настраивать объявления.
Степень достоверности результатов работы
Достоверность результатов работы обеспечивается корректным применением методов рассматриваемой предметной области и теории нечетких множеств, согласованностью сформулированных выводов с результатами экспериментов. Кроме того, достоверность подтверждается внедрением разработанных алгоритмов в рамках системы контекстной рекламы, интегрированной с региональной поисковой системой.
Теоретическая значимость работы
Предложенные автором алгоритмы, базирующиеся на аппарате нечетких множеств, развивают существующие подходы к организации систем контекстной рекламы в направлении обеспечения высокого уровня релевантности рекламных объявлений информационным потребностям пользователей. Разработанные алгоритмы выделения тегов, сравнения поисковых запросов и ключевых фраз, сопоставления текстов объявлений и целевых страниц вносят вклад в развитие методов информационного поиска и анализа текста.
Реализация результатов работы
Разработанные алгоритмы использованы при создании системы контекстной рекламы в рамках интегрированной поисковой системы «Поиско-лог» (свидетельство о регистрации в "Отраслевом фонде алгоритмов и программ" №10058 от 21.02.2008г. Номер госрегистрации №50200800460 от 28.02.2008 г.).
Практическая значимость работы
Разработанная в рамках диссертационной работы интегрированная поисковая система «Поисколог» используется для поиска информации в томском сегменте Интернета. С помощью данной системы возможен поиск, как текстовой информации, так и фото-, видео- и аудиоматериалов. Использование технологии разделения поиска на отдельные вертикали позволяет пользователям производить поиск необходимой информации лишь в интересующей их области, не просматривая множество нерелевантных результатов других тематик.
Разработанная система контекстной рекламы, интегрированная с поисковой системой, позволяет рекламодателям продвигать свои сайты посредством показа объявлений в результатах поиска и на информационных страницах ПС. При этом рекламные объявления, показываемые пользователю, максимально соответствуют контексту страницы и его личным предпочтениям. Кроме того, созданная технология даёт возможность использовать СКР в отрыве от поисковой системы для показа рекламных объявлений на сторонних сайтах.
Практическая ценность данной работы подтверждается актами внедрения в ряде коммерческих фирм г. Томска.
Личный вклад автора
Все результаты, составляющие основное содержание диссертации, получены автором самостоятельно.
Апробация работы
Основные результаты диссертационной работы докладывались на следующих конференциях:
• всероссийской конференции студентов, аспирантов и молодых ученых «Энергия молодых - экономике России» (Томск, 2003);
• всероссийских научно-технических конференциях аспирантов и молодых ученых «Научная сессия ТУ СУР» (Томск, 2004, 2005, 2006, 2007);
• всероссийских научно-технических конференциях студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии» (Томск, 2004, 2006, 2007);
• международных научно-практических конференциях «Средства и системы автоматизации» (Томск, 2004, 2007);
• международной научно-практической конференции «Современные техника и технологии» (Томск, 2006).
Публикации
По теме диссертационной работы опубликовано 15 научных работ, в том числе 4 статьи (все в изданиях, рекомендованных ВАК для опубликования результатов диссертаций).
Структура и объем работы
Диссертационная работа включает: введение, четыре главы, заключение, список литературы из 198 наименований, 7 приложений. Общий объем диссертации составляет 244 страницы машинописного текста. Работа содержит 40 рисунков, 18 таблиц.
Похожие диссертационные работы по специальности «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», 05.13.11 шифр ВАК
Разработка методов и алгоритмов тематически ориентированного распределенного поиска информации в глобальных сетях типа Интернет2002 год, кандидат технических наук Амамра Рушди Ахмад
Оптимизация показов рекламных объявлений в поисковых интернет-системах: разработка методологии подбора порогов входа в рекламный показ2015 год, кандидат наук Сорокина, Анна Николаевна
Диалоговые алгоритмы поиска и навигации в автоматизированной системе текстового документооборота металлургического предприятия2007 год, кандидат технических наук Бодров, Даниил Александрович
Математическое моделирование и программная реализация семантического преобразования поисковых запросов2012 год, кандидат технических наук Кириллов, Антон Владимирович
Совершенствование Интернет-рекламы в системе маркетинговых коммуникаций2003 год, кандидат экономических наук Комаров, Василий Михайлович
Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Силич, Василий Викторович
Выводы по главе 4
1. Выбранные средства реализации системы «Поисколог», а также набор сторонних библиотек для поиска и морфологического анализа позволяют быстро реализовать прототип системы.
2. Спроектированная архитектура интегрированной системы в качестве основных компонентов включает: поисковую систему, содержащую модули вертикального поиска; систему контекстной рекламы, включающую модули выбора рекламных объявлений и интерфейс рекламодателя; модуль анализа поведения пользователя. Каркас системы составляет MVC-фреймворк
Сос1е1§ш1ег, через который проходят все запросы и вызываются другие компоненты интегрированной системы.
3. Разработанная СКР, основанная на алгоритмах, предложенных в данной работе, предоставляет следующие возможности: с минимальными трудозатратами создавать и настраивать рекламные объявления; контролировать общий бюджет и сроки проведения рекламной кампании; использовать различные виды таргетинга; отслеживать статистику переходов по объявлениям в режиме реального времени. Программная реализация СКР дает возможность в дальнейшем легко расширить алгоритм выбора объявлений по множеству факторов за счёт добавления новых факторов.
4. Поисковая система, реализующая разработанные алгоритмы обработки результатов поиска, в том числе их фильтрации, группировки, кеширо-вания и ранжирования, позволяет повысить эффективность работы поисковых модулей, увеличив их быстродействие и улучшив качество выдаваемых результатов.
5. Модуль анализа поведения пользователя, реализующий разработанные алгоритмы анализа ЬИр-заголовка "геГегег" браузера пользователя и сохранения информации о действиях пользователя, позволяет анализировать сетевую активность пользователей, фиксируя не только их действия в системе, но и частично — за её пределами. Полученная информация используется СКР для реализации поведенческих технологий при выборе объявлений.
6. Внедрение системы «Поисколог» показало высокую релевантность выдаваемых пользователям объявлений, выбираемых в соответствии с контекстом просматриваемых страниц, что доказывает эффективность разработанных алгоритмов даже при отсутствии большого объема накопленной статистики о показах объявлений и истории сетевой активности пользователей.
ЗАКЛЮЧЕНИЕ
В диссертационной работе по результатам выполненных теоретических и экспериментальных исследований разработано алгоритмическое и программное обеспечение системы контекстной рекламы, интегрированной с региональной поисковой системой. Решена задача, имеющая существенное значение для области информационного поиска в среде Интернет. Внедрение результатов работы позволяет существенно увеличить степень удовлетворения информационных потребностей пользователя, а также повысить эффективность продвижения сайтов рекламодателей.
Перечислим основные результаты, в которых отражена научная новизна и практическая ценность данной работы:
1. Разработан ряд новых алгоритмов работы системы контекстной рекламы:
• алгоритм выбора и ранжирования рекламных объявлений, основывающийся на формировании нечеткого множества релевантных объявлений по множеству факторов, характеризующих как сами рекламные объявления и контекст страницы, так и личные предпочтения пользователей. Алгоритм позволяет учесть не только различные факторы выбора объявлений в зависимости от текущей ситуации, но и ограничения на показ объявлений;
• алгоритм выбора объявлений в соответствии с поисковым запросом пользователя, основанный на вычислении наибольшей общей подпоследовательности фраз и коэффициента Джаккарда. Алгоритм позволяет учитывать не только степень совпадения слов запроса и ключевой фразы объявления, но и их порядок в запросе;
• алгоритм выбора объявлений в соответствии с выделенными тегами страницы, который учитывает как релевантность самих тегов по отношению к тексту страницы, так и степень их совпадения с ключевыми фразами объявлений. Это позволяет повысить адекватность расчета релевантности объявлений тексту страницы;
• алгоритм выделения тегов из текстов страниц, основанный на методе выделения термов в соответствии со статистикой их «ко-появлений». Алгоритм отличается тем, что придает больший вес тегам, встречающимся в заголовке текста, позволяет сократить количество тегов за счёт удаления более простых тегов, входящих в состав более сложных, рассчитывает вес выделенных тегов;
• алгоритм выбора объявлений в соответствии с историей запросов пользователя, позволяющий учитывать соответствие ключевых фраз объявления наиболее популярным поисковым запросам пользователя с учетом частоты встречаемости запросов в истории. При этом в качестве источника актуальной информации о поисковых запросах предлагается использовать данные за некоторый период времени, полученные не только от региональной поисковой системы, но и от других поисковых систем;
• алгоритм выбора объявлений в соответствии с навигационной историей пользователя, учитывающий частоту встречаемости категорий, к которым принадлежит сайт объявления, в истории посещенных пользователем сайтов. В качестве источника актуальной информации предлагается использовать данные за некоторый период времени, полученные как от поисковой системы, так и от системы контекстной рекламы;
• алгоритм выбора рекламных объявлений в соответствии с их эффективностью, основанный на вычислении показателя CTR объявлений, который позволяет более точно оценить их эффективность за счет учета только «гарантированных» просмотров объявлений. Алгоритм дает возможность оценить эффективность объявлений даже при малом количестве просмотров или их отсутствии;
• алгоритм выбора объявлений в соответствии с их качеством, основывающийся на расчетах степени соответствия текста объявления содержанию целевой страницы. Учет не только количества слов объявления, находящихся в тексте целевой страницы, но и их наличия в различных Ызп1-тегах, позволяет отдать больший вес тем объявлениям, содержание которых наиболее выразительно представлено на целевой странице.
2. Проведено тестирование эффективности основных разработанных алгоритмов, показавшее превосходство алгоритмов по сравнению с альтернативными стратегиями и высокую степень соответствия результатов работы предлагаемых алгоритмов оценкам экспертов. Тестирование разработанного прототипа СКР «Поисколог» показало высокую релевантность выдаваемых рекламных объявлений в сравнении с другими коммерческими СКР.
3. Разработана интегрированная система «Поисколог», включающая систему контекстной рекламы, поисковую систему и модуль анализа поведения пользователя. ИС реализует предложенные в работе алгоритмы выбора релевантных объявлений, ряд поисковых алгоритмов, а также алгоритмы анализа сетевой активности пользователя. Система «Поисколог» позволяет пользователям осуществлять различные виды поиска по региональным ресурсам и получать в качестве дополнительной релевантной информации рекламные объявления, а рекламодателям - создавать, настраивать и контролировать рекламные кампании и объявления.
4. Внедрение системы «Поисколог» показало высокую релевантность выдаваемых объявлений даже при отсутствии большого объема накопленной статистики о показах объявлений и длительной истории сетевой активности пользователей. Таким образом, достигается цель диссертационной работы -обеспечить высокую релевантность рекламных объявлений информационным потребностям пользователя.
Список литературы диссертационного исследования кандидат технических наук Силич, Василий Викторович, 2008 год
1. Автоматическое определение ключевых слов Электронный ресурс . — Электрон, дан. — Режим доступа : http://xpoint.ru/know-how/VebAlgoritmyi /RabotaSTekstami/AvtomaticheskoeOpredelenieIClyuchevyihSlov?comments.
2. Агапов Ю. Время RSS-рекламы еще не пришло? / Ю. Агапов Электронный ресурс . Электрон, дан. - Режим доступа: http://www.searchen-gines.ru/articles/005092.html.
3. Амилющенко А. Как зарабатывать с Яндексом? Электронный ресурс . : мат-лы семинара «Интернет-реклама: итоги и перспективы. Рекламные возможности Яндекса» / А. Амилющенко. — Томск, 2008.
4. Аналитический обзор «Рынок контекстной рекламы в России в 2007 г.» Электронный ресурс . — Электрон, дан. Режим доступа : http://www.begun.ru /begun/research/beguncontextmarket2007.pdf.
5. Ашманов И.С. Продвижение сайта в поисковых системах / И.С. Ашма-нов, A.A. Иванов М. : Изд-во Вильяме, 2006. - 304 с.
6. Баранов A. Data Mining. Теория и практика / А. Баранов, И. Брянцев, И. Жевлаков. -М. : БДЦ-пресс, 2006. 208 с.
7. Барсегян А. Методы и модели анализа данных: OLAP и Data Mining / А. Барсегян, М. Куприянов, В. Степаненко, И. Холод. СПб. : БХВ-Петербург, 2004. - 336 с.
8. Браславский П. Тематическая кластеризация / П. Браславский. // Программа курса "Интеллектуальные информационные системы" Электронный ресурс . Электрон, дан. — Режим доступа : http://www.kansas.ru/ai2006/slides/lecture9.pdf.
9. Бумажный "Инфобизнес" про рич-медиа // Библиотека Интернет индустрии 12Я Электронный ресурс . Электрон, дан. - Режим доступа : http://www.i2r.ru/static/358/out17759.shtml.
10. В системе МБЫ adCenter появился поведенческий таргетинг Электронный ресурс . Электрон, дан. - Режим доступа : http://habrahabr.ru/blog/ со1итпз/6158.html
11. В ходе опроса CNews выяснил, что баннерная реклама по-прежнему самая востребованная // Е-хесиЙуе Электронный ресурс . Электрон, дан. - Режим доступа : http://www.e-xecutive.ru/news/news/682674/
12. Варламов А. «Бегун» предлагает контекстную рекламу с социально-демографическим таргетингом / А. Варламов Электронный ресурс . -Электрон, дан. Режим доступа : http://habrahabr.ru/blog/context/ 30713.html
13. Вахитов Я. Виртуальный офис открыт всегда / Я. Вахитов Электронный ресурс . Электрон, дан. - Режим доступа : http://www.klerk.ru/bank/ 743028.
14. Видеореклама побьет контекст Электронный ресурс . — Электрон, дан. Режим доступа : http://mediarevolution.ru/advertiser/markets/820.html
15. Вилявин Р. Основные игроки зарубежного сегмента контекстной рекламы / Р. Вилявин Электронный ресурс . — Электрон, дан. — Режим доступа : http://www.seonews.ni/article/.publication/252/
16. Выделение ключевых (по смыслу) слов из сообщения Электронный ресурс . Электрон, дан. - Режим доступа : http://xpoint.ru/forums/ programming/theory algorythms/thread/29319. xhtml
17. Гаврилова Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. СПб.: Питер, 2000. - 384 с.
18. Геотаргетинг в RSS-рекламе Электронный ресурс . Электрон, дан. — Режим доступа: http://www.seonews.rU/news/.infonews/1092/
19. Глушак Б. CPA-маркетинг. Работаем с MSN AdCenter / Б. Глушак Электронный ресурс . Электрон, дан. - Режим доступа : http://www.profit-hunter.ru/cpa-marketing/cpa-marketing-rabotaem-s-msn-adcenter/
20. Глушак Б. CPA-маркетинг. Работаем с Yahoo Search / Б. Глушак Электронный ресурс . — Электрон, дан. Режим доступа : http://www.profith-unter.ru/cpa-marketing/cpa-marketing-rabotaem-s-yahoo-search/
21. Глушак Б. CPA-маркетинг. MSN AdCenter — ключевые слова, таргеттинг и т.д. / Б. Глушак Электронный ресурс . Электрон, дан. - Режим доступа : http://tinyurl.com/4m6suf
22. Глушак Б. CPA-маркетинг — Yahoo Search Marketing / Б. Глушак Электронный ресурс . Электрон, дан. - Режим доступа :http://www.profithunter.ru/cpa-marketing/cpa-marketing-yahoo-search-marketing/
23. Губин M.B. Влияние морфологического анализа на качество информационного поиска / М.В. Губин, А.Б. Морозов // Электронные библиотеки: перспективные методы и технологии, электронные коллекции : труды 8-й Всерос. науч. конф. RCDL'2006. Суздаль, 2006.
24. Гусев B.C. Аналитика веб-сайтов. Использование аналитических инструментов для продвижения в Интернет / B.C. Гусев. — М. : Изд-во Диалектика, 2007. — 176 с.
25. Дмитриева А. Контекстная реклама Рунета: чего ждать? / А. Дмитриева // TelNews Электронный ресурс . Электрон, дан. - Режим доступа : http://www.telnews.ni/event/l 6610/
26. Дубнер П.Н. Анализ строк. / П.Н. Дубнер Электронный ресурс . -Электрон, дан. Режим доступа : http://itman.narod.ru/articles/infoscope/ stringsearch. 1 -3 .html
27. Дюбуа Д. Теория возможностей. Приложения к представлению знаний в информатике: пер. с фр. / Д. Дюбуа, А. Прад. — М. : Радио и связь, 1990. -288 с.
28. Евланов JI. Г. Теория и практика принятия решений / JL Г. Евланов. М.: Экономика, 1984. - 176 с.
29. Зайцев П. Эффективный полнотекстовый поиск по базам данных / П. Зайцев Электронный ресурс . — Электрон, дан. — Режим доступа : http://www.rit2008.ru/ paperview.html?id=l 106
30. Как искать информацию в Интернете Электронный ресурс . Электрон. дан. - Режим доступа: http://www.findingdulcinea.com/guides.html7to pic=/categories/technology/Dulcineas-Guide-to-Searching-on-the-Web/russian
31. Как работает антифродовая система Google: отчет Тужилина Электронный ресурс . Электрон, дан. - Режим доступа : http://habrahabr.ru/blog/ columns/5948.html
32. Каролик А. «Яндекс.Директом» пользуются несколько десятков тысяч различных рекламодателей / Каролик А., Попов А. Электронный ресурс . — Электрон, дан. Режим доступа : http://advertising.yandex.ru/ yandexdirect.xml
33. Кириченко K.M. Обзор методов кластеризации текстовой информации / K.M. Кириченко, М.Б. Герасимов // Тез. докл. Междунар. конф. Диалог. — 2001.
34. Колисниченко Д. Н. Поисковые системы и продвижение сайтов в Интернете / Д. Н. Колисниченко. М. : Изд-во Вильяме, 2007. — 272 с.
35. Колмановская Е. Яндекс раздает партнерам Рекламной сети 2,5 млн долларов в месяц / Е. Колмановская Электронный ресурс . Электрон, дан. - Режим доступа : http://company.yandex.rU/news/2007/l 112/index.xml
36. Коновалов A.B. Анализ связи ранговых признаков / A.B. Коновалов Электронный ресурс . Электрон, дан. - Режим доступа : http://www.yartel.ru/stat/qkaches2.html
37. Контекстка и медийка сдают позиции Электронный ресурс . Электрон. дан. - режим доступа: http://www.seonews.rU/news/.contextadv/3341/
38. Контекстная реклама Электронный ресурс . Электрон, дан. - Режим доступа : http://m.wikipedia.org/wiki/KoHTeKCTHaa%20peKnaMa
39. Контекстная реклама в России Электронный ресурс . — Электрон, дан.- Режим доступа : http://download.yandex.ru/company/yandexoncontext-advertisingsummer2007.pdf
40. Контекстная реклама на засекреченных площадках Электронный ресурс .- Электрон, дан. Режим доступа : http://www.tden.ru/articles/internet/ 005446/
41. Корнилов С. Клик фрод как проблема контекстной рекламы в России / С. Корнилов Электронный ресурс . — Электрон, дан. Режим доступа : http ://www. whiteseo.ru/content/ view/272/б/
42. Коротов П. Контекстная реклама сегодня / П. Коротов Электронный ресурс . Электрон, дан. - Режим доступа : http://www.oborot.ru/article/395/34
43. Коротов П. "Продающая" контекстная реклама: перспективные системы / П. Коротов Электронный ресурс . — Электрон, дан. Режим доступа : http://www.oborot.ru/article/398/34
44. Котеров Д. Эвристическое (без словаря) извлечение корня из русского слова / Д. Котеров Электронный ресурс . — Электрон, дан. — Режим доступа : http://tinyurl.com/3oktuv
45. Кураленок И. Официальные метрики РОМИП'2006 / И. Кураленок, И. Некрестьянов, Н. Агеев // Труды четвертого российского семинара РОМИП'2006 / НУ ЦСИ. СПб., 2006, - С. 160-169.
46. Кураленок И. Оценка систем текстового поиска / И. Кураленок, И.Некре-стьянов // Программирование. 2002. — № 4 (28). - С.226-242.
47. Кураленок И.Е. Оценка систем текстового поиска : дис. . канд. физ.-мат. наук / И.Е. Кураленок. Санкт-Петербург, 2004. - 112 с.
48. Курапов А. Морфологический поиск / А. Курапов Электронный ресурс .- Электрон, дан. Режим доступа : http://kurapov.name/article/ morphologicalsearch/
49. Ландэ Д.В. Поиск знаний в Internet. Профессиональная работа / Д.В. Ландэ. М.: Изд-во Диалектика, 2005. - 272 с.
50. Леоненков А. В. Нечеткое моделирование в среде МАТЬАВ и ¡гуТЕСН / А. В. Леоненков. СПб. : БХВ-Петербург, 2003. - 736 с.
51. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Дж. Ф. Люгер. 4-е изд. - М.: Изд-во Вильяме, 2003.- 864 с.
52. Мельников Л. Опыт пользования АсКагег / Л. Мельников Электронный ресурс . Электрон, дан. — Режим доступа : http://leonid.habrahabr.ru/ Ыо§/7436.Ы;т1
53. Минус-слова для всей кампании Электронный ресурс . Электрон, дан.- Режим доступа : http://www.seonews.rn/news/.contextadv/2143/
54. Новая система контекстной рекламы Advizer.ru Электронный ресурс . — Электрон, дан. — Режим доступа : http://www.seonews.ru/news/xontextadv /1252/
55. Обзор по контекстной рекламе в англоязычном Интернете Электронный ресурс . Электрон, дан. — Режим доступа : http://s-catalog.info/ ахсЫчеъПбЗ
56. Объем рынка контекстной рекламы в Рунете вырос до $225 млн. в 2007 г. Электронный ресурс . Электрон, дан. - Режим доступа : http://pda.cnews.ru/news/index.shtml71ine/2008/02/06/286777.
57. Оптимист \Vebalta Электронный ресурс . - Электрон, дан. - Режим доступа : http://op.webalta.ru
58. Основные виды рекламы в Интернете Электронный ресурс . Электрон. дан. - Режим доступа : http://www.rle.ru/info/bannertypes/
59. Остапенко М. Gender Guesser — угадыватель пола / М. Остапенко Электронный ресурс . Электрон, дан. - Режим доступа : http ://mclaud.habrahabr.ru/blog/3773 5.html
60. Парамонов В. Количество веб-сайтов в Интернете превысило 150 миллионов / В. Парамонов Электронный ресурс . — Электрон, дан. — Режим доступа : http://net.compulenta. ги/344742/
61. Перегудов Ф. И. Основы системного анализа : Учеб. / Ф. И. Перегудов, Ф. П. Тарасенко. 3-е изд. - Томск : Изд-во HTJT, 2001. - 396 с.
62. Поведенческая реклама Yahoo! работает Электронный ресурс . Электрон. дан. - Режим доступа: http://www.seonews.rU/news/.contextadv/2245/
63. Поиск в интернете: что и как ищут пользователи (информационный бюллетень по данным поиска Яндекса) Электронный ресурс . — Электрон, дан. Режим доступа : http://tinyurl.com/61f8tu
64. Последние разработки adCenter Labs Электронный ресурс . Электрон, дан. - Режим доступа: http://habrahabr.ru/blog/columns/6912.html
65. Правила показа Электронный ресурс . Электрон, дан. - Режим доступа. : http://help.yandex.ru/direct/?id=990407
66. Проект «Панама» принесет Yahoo сотни миллионов Электронный ресурс . — Электрон, дан. — Режим доступа : http://www.habrahabr.ru/ blog/columns/5817.html
67. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг: Пер. с англ. 2-е изд. - М.: Издательский дом «Вильяме», 2007. - 1408 с.
68. РБКшная "Магна" ищет клиентов Электронный ресурс . Электрон, дан. - Режим доступа : http://roem.ru/2008/02/05/addednews5262/
69. Реклама в рунете продолжает удваиваться Электронный ресурс . -Электрон, дан. Режим доступа: http://seonews.ru/news/.infonews/ 2794/
70. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JT. Рутковский: Пер. с польск. -М.: Горячая линия Телеком, 2007. - 452 с.
71. Самые дорогие ключевые слова за май 2008 Электронный ресурс . -Электрон, дан. Режим доступа : http://www.begun.ru/begun/research/ detail.php?ID=2450
72. Силич В.В. Использование единого механизма управления динамическим web-сайтом / В.В. Силич, В.Д. Автайкин // Средства и системы автоматизации: мат-лы 5-й науч.-практ. конф. Томск, 2004. - с. 123-124.
73. Силич В.В. Использование шаблонов при создании сайтов в сети Интернет / В.В. Силич, Ю.П. Ехлаков // Молодежь и современные информационные технологии: сб. тр. 1-й Всерос. науч.-практ. конф. Томск, 2004. -С.164-165.
74. Силич В.В. Метод организации системы поисковой рекламы в сети Интернет/ В.В. Силич // Известия Томского политехнического университета. 2006. - №8. - С. 140-143.
75. Силич В.В. Методы обработки запросов к веб-сайту / В.В. Силич // Научная сессия ТУСУР-2005: Мат-лы Всерос. науч.-техн. конф. аспирантов и молодых специалистов. Томск, 2005. — С. 189-192.
76. Силич В.В. Методы организации системы поиска и индексации новостей в сети Интернет и её взаимодействие с системой контекстной рекламы /
77. B.В. Силич // Вестник компьютерных и информационных технологий. -2008.-№9.-С. 50-55.
78. Силич В.В. Модель выбора рекламных объявлений веб-сайтов в системе поисковой рекламы / В.В. Силич // Доклады Томского государственного университета систем управления и радиоэлектроники. 2007. - №2(16).1. C. 229-235.
79. Силич В.В. Организация системы поисковой рекламы в сети Интернет на основе нечетких множеств / В.В. Силич // Научная сессия ТУ СУР — 2007:
80. Мат-лы докладов Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых. Томск: Изд-во «В-Спектр», 2007. -Ч. 1. - С. 332-335.
81. Силич В.В. Поисковый Интернет-портал и система контекстной рекламы "Поисколог" /В.В. Силич // Компьютерные учебные программы и инновации М: ГОСКООРЦЕНТР. - 2008. - №6. - С. 156.
82. Силич В.В. Система автоматизации поиска информации в сети Интернет /В.В. Силич //Приборы.- 2008. -№3.- С. 55-60.
83. Силич В.В. Электронная торговля в России /В.В. Силич, М.В. Сподобаев // Энергия молодых — экономике России: тез. докл. 4-й Всерос. конф. студентов, аспирантов и молодых ученых. — Томск, 2003. Т.1. - С. 165-166.
84. Силич В.В. Технологии интерактивного взаимодействия веб-приложений в среде Интернет /В.В. Силич // Научная сессия ТУСУР-2006: Мат-лы докладов Всерос. науч.-техн. конф. аспирантов и молодых ученых. — Томск, 2006. С. 35-37.
85. Силич В.В. Технологии разделения данных и их оформления в web-программировании / В.В. Силич // Научная сессия ТУСУР 2004: Мат-лы Всерос. науч.-техн. конф. - Томск, 2004. - С. 100-103.
86. Сирович Дж. Поисковая оптимизация на PHP для профессионалов. Руководство разработчика по SEO / Дж. Сирович, Д. Кристиан : Пер. с англ. -М.: ООО «И.Д. Вильяме», 2008. 352 с.
87. Система размещения контекстной рекламы magna Контекст: презентация Электронный ресурс . Электрон, дан. - Режим доступа : http://docs.google.com/ Present?docid=ajff7cc73c629cp4d3hc9#0
88. Ценовая политика Оптимиста Электронный ресурс . Электрон, дан. -Режим доступа: http://habrahabr.ru/blog/context/1894.html
89. Что такое вертикальный поиск? Электронный ресурс . Электрон, дан. -Режим доступа : http://www.osp.ru/cw/2006/04/375068/
90. Что такое CTR? Высокий, средний, низкий? Электронный ресурс . -Электрон, дан. — Режим доступа : http://tinyurl.com/yandexc
91. Яковлев А.А. Контекстная реклама. Основы. Секреты. Трюки / А.А.Яковлев, А.Б.Чупрун. СПб.: Изд-во БХВ-Петербург, 2008. - 304 с.
92. Abdi Н. The Kendall Rank Correlation Coefficient / H. Abdi // In N.J. Salkind (Ed.): Encyclopedia of Measurement and Statistics. Thousand Oaks, 2007. -pp. 508-510.
93. Abrams Z., Optimal delivery of sponsored search advertisements subject to budget constraints / Z. Abrams, O. Mendelevitch, J. Tomlin // ACM Conference on Electronic Commerce, 2007. P. 272-278.
94. Advizer Электронный ресурс . Электрон, дан. - Режим доступа : http://advizer.ru/
95. Agarwal D. Estimating rates of rare events at multiple resolutions / D. Agar-wal, A. Broder, D. Chakrabarti, D.Diklic, V.Josifovski, M.Sayyadian //
96. Knowledge discovery and data mining: Proceedings of the 13th ACM SIGKDD International Conference. San Jose, California. 2007. - pp. 16-25.
97. Anupam V. On the security of pay-per-click and other web advertising schemes / V. Anupam, A. Mayer, K. Nissim, B. Pinkas, M. Reiter // Proceedings of 9th World Wide Web Conference (WWW9). 1998. - pp. 1091-1100.
98. Application Flow Chart : Codelgniter User Guide Электронный ресурс . -— Электрон, дан. — Режим доступа: http://codeigniter.com/userguide/over-view/appflow.html
99. Aslam J. Models for metasearch / J.Aslam, M.Montague // Proc. of the 24th ACM SIGIR conf. on Research and Development in Information Retrieval. -New Orleans, 2001. pp. 276-284.
100. Baeza-Yates R. Modern information retrieval / R.Baeza-Yates, B. Ribeiro-Neto. New York et al.: ACM Press, Addison-Wesley, 1999. - 513 p.
101. Bollegala D. A Web-based semantic similarity measure / D. Bollegala, Y. Ma-tsuo, M. Ishizuka // The 21st Annual Conference of the Japanese Society for Artificial Intelligence, 2007.
102. Buckley C. Evaluating evaluation measure stability / C. Buckley, E. Voor-hees //Proceedings of ACM SIGIR conference, 2000. pp. 33- 40.
103. Buckley C. Retrieval evaluation with incomplete information / C. Buckley , E.
104. Voorhees // Proc 27th Annu Int ACM SIGIR Conf Res Dev Inform Retriev. -Sheffield, England: ACM Press, 2004. pp. 25-32.
105. Carrasco J. Clustering of bipartite advertiser-keyword graph / J. Carrasco, D. Fain, K. Lang, L.Zhukov // Workshop on Large Scale Clustering at IEEE International Conference on Data Mining, 2003.
106. Carson M. Your adCenter Questions Answered: Part 2 Demographic Targeting / M. Carson Электронный ресурс . - Электрон, дан. - Режим доступа : http://tinyurl.com/53vozo
107. Demographic bidding now available Электронный ресурс . Электрон, дан. - Режим доступа : http://adwords.blogspot.com/2008/03/demographic-bidding-now-available.html
108. FAQ of Google Adsense Электронный ресурс . Электрон, дан. - Режим доступа : http://www.master.cdvlad.com/item646.html
109. Fayyad U. From Data Mining to Data Strategy towards the New Sciences Underlying the Internet / U. Fayyad Электронный ресурс . - Электрон, дан. - Режим доступа : http://www.jcagroup.com/pdf/VetNurseVetSurgeo-nAdRates2008.pdf.
110. Feng J. Comparison of allocation rules for paid placement advertising in search engines / J.Feng, H.Bhargava, D.Pennock // ICEC "03: Proceedings of the 5th international conference on Electronic commerce. New York, 2003. -pp. 294-299.
111. Feng J. Implementing sponsored search in web search engines: computational evaluation of alternative mechanisms / J. Feng, H. Bhargava, D. Pennock // INFORMS J. on Computing. 2007. - Vol. 19, No. 1. - pp. 137-148.
112. Frank E. Domain-specific keyphrase extraction / E.Frank, G.Paynter, I.Witten, C.Gutwin, C.Nevill-Manning // Proc. of IJCAI-99. 1999. - pp. 668-673.
113. Ghose A. An empirical analysis of sponsored search performance in search engine advertising / A. Ghose, Sh. Yang // Proceedings of the international conference on Web search and web data mining. Palo Alto, California, USA, 2008.-pp. 241-250.
114. Google будет улучшать методы борьбы с обманными кликами Электронный ресурс . Электрон, дан. - Режим доступа : http://www.internet.ru/social/2007-03-16189
115. Harold D. Google Advertising Tools / D. Harold. Sebastopol: O'Reilly Media, 2006.-366 c.
116. Hespos Т. Как применять Rich Media? / T.Hespos Электронный ресурс . Электрон, дан. - Режим доступа : http://www.bizport.e-stile.ru/reklamal 1/
117. IntelliTXT Электронный ресурс . — Электрон, дан. Режим доступа : http://en.wikipedia.org/wiki/IntelliTXT
118. Jakobsson М. Secure and lightweight advertising on the Web / M. Jakobsson, Ph. MacKenzie, J. Stern // World Wide Web '99: Journal of Computer Net-, works. 1999. - vol. 31. - pp. 1101-1109.
119. Jarvelin K. Cumulated Gain-based Evaluation of IR Techniques / K. Jarvelin, J. Kekalainen // ACM Transactions on Information Systems (TOIS). 2002. -pp. 422-446.
120. Jarvelin K. IR evaluation methods for retrieving highly relevant documents / K. Jarvelin, J. Kekalainen // Proceedings of the 23rd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.-2000.-pp. 41-48.
121. Jian H. Demographic prediction based on user's browsing / H. Jian, Z. Hua-Jun, L.Hua, N.Cheng, Ch.Zheng // International World Wide Web Conference (WWW'07). Banff, Alberta, Canada, 2007. - pp. 151-160.
122. Joshi A. Keyword generation for search engine advertising / A. Joshi, R. Motwani // ICDM Workshops 2006: Proceedings of the Sixth IEEE International Conference. 2006. - pp. 490-496.
123. Kazienko P. AdROSA-Adaptive personalization of web advertising / P. Kazienko, M. Adamski // Information Sciences: an International Journal. — 2007.-Vol. 177, Issue 11.-pp. 2269-2295.
124. Kendall tau rank correlation coefficient Электронный ресурс . Электрон, дан. - Режим доступа : http://tinyurl.com/2qqlmk
125. Know Your Visitors Profile and Attribute with adCenter Demographics Prediction Электронный ресурс . — Электрон, дан. — Режим доступа : http ://tinyurl. com/4pj wj 6
126. Krovetz R. Viewing morphology as an inference process / R. Krovetz // Proceedings of SIGIR '93. 1993. - pp. 191-202.
127. Lacerda A. Learning to advertise / A. Lacerda, M. Cristo, M. Goncalves, W. Fan, N. Ziviani, B. Ribeiro-Neto // Annual ACM Conference on Research and Development in Information Retrieval. Seattle, Washington, USA, 2006. — pp. 549-556.
128. Langheinrich M. Unintrusive customization techniques for web advertising / M. Langheinrich, A.Nakamura, N. Abe, T. Kamba, Y. Koseki // Computer Networks. 1999. - vol. 31(11-16). - pp. 1259-1272.
129. Le Q. Direct optimization of ranking measures / Q. Le, A. Smola Электронный ресурс . — Электрон. дан. Режим доступа : http://arxiv.org/abs/0704.3359
130. Li Н. Learning to rank: A new technology for text processing / H. Li Электронный ресурс . Электрон, дан. - Режим доступа : http://www-tsujii.is. s.u-tokyo.ac.jp/T-FaNT/T-FaNT.files/Slides/Li.pdf
131. Liu В. Web Data Mining: Exploring Hyperlinks, Contents and Usage Data / B. Liu. Springer, 2007. - 532 p.
132. Magna Faq Электронный ресурс . Электрон, дан. - Режим доступа : http://advertise.magna. ru/faq/faq.html
133. Mahdian M. Pay-per-action model for online advertising / M. Mahdian, K. Tomak 11 Proceedings of the 3rd International Workshop on Internet and Network Economics. San Jose, CA, USA, 2007. - pp. 549-557.
134. Manning Ch. An Introduction to Information Retrieval / Ch. Manning, P. Raghavan, H. Scultze. Cambridge University Press, 2008. - 482 p.
135. Matsuo Y. Keyword extraction from a single document using word cooccurrence statistical information / Y. Matsuo, M. Ishizuka. International Journal on Artificial Intelligence Tools. - 2004. - Vol. 13 (1). - pp. 157-169.
136. Mattis M. A New Pricing Model Rolls Out Today / M. Mattis Электронный ресурс . Электрон, дан. — Режим доступа : http://www.ysmblog.com/blog/ 2007/06/04/a-new-pricing-model-rolls-out-today/
137. Metwally A. Duplicate detection in click streams / A. Metwally, D. Agrawal, A. Abbadi // Proceeding of the 14th International Conference on World Wide Web. New York, 2005. - pp. 12-21.
138. Metwally A. Hide and seek: detecting hit inflation fraud in streams of web advertising networks / A. Metwally, D. Agrawal, A. Abbadi // CS Department of Computer Science / University of California. Santa Barbara, 2006.
139. Metwally A. Using association rules for fraud detection in web advertising networks / A. Metwally, D. Agrawal, A. Abbadi // Proceedings of the 31st international conference on Very large data bases. — Trondheim, Norway, 2005. -pp. 169-180.
140. Metzler D. Similarity Measures for Short Segments of Text / D.Metzler, S.Du-mais, Ch.Meek // ECIR. 2007. - pp. 16-27.
141. Microsoft занимается «демографическими предсказаниями» Электронный ресурс . Электрон, дан. - Режим доступа : http://habrahabr.ru/blog/ columns/6712 .html
142. Microsoft использует Intellitxt для поиска Live.com Электронный ресурс . Электрон, дан. - Режим доступа: http://webformula.ru/new3.html
143. Model-view-controller Википедия Электронный ресурс . - Электрон, дан. - Режим доступа: http://ru.wikipedia.org/wiki/MVC.
144. MSN тестирует собственную систему контекстной рекламы Электронный ресурс . Электрон, дан. - Режим доступа : http://habrahabr.ru/blog/ columns/6124.html
145. Murdock V. A noisy channel approach to contextual advertising / V.Murdock, M.Ciaramita, V. Plachouras // ADKDD'07. San Jose, CA, USA, 2007. - pp. 21-27.
146. Murdock V. Online learning from click data for sponsored search / V. Murdock, M.Ciaramita, V. Plachouras // Proceedings of World Wide Web Conference (WWW'08). 2008. - pp. 227-236.
147. Murdock V. Semantic associations for contextual advertising/ V. Murdock, M.Ciaramita, V. Plachouras // Journal of Electronic Commerce Research: Special Issue on Online Advertising and Sponsored Search. — 2008. Vol. 9, Issue 1.— pp. 1-15.
148. Najork M. Comparing the Effectiveness of Different Scoring Functions for Web Search / M. Najork Электронный ресурс . Электрон, дан. - Режим доступа : http://www.cse.lehigh.edu/%7Ebrian/course/2007/searchengines/ notes/Naj ork-2007-02-14.pdf
149. Najork М. Comparing the effectiveness of hits and salsa / M. Najork // CIKM. -2007.-pp. 157-164.
150. Pay-Per-Click (PPC) Services Comparison Электронный ресурс . Электрон. дан. - Режим доступа : http://www.yourseoplan.com/yahoo-google-ppc.html
151. PEAR :: Package :: HTTPRequest Электронный ресурс . Электрон, дан. - Режим доступа : http://pear.php.net/package/HTTPRequest
152. Program to evaluate TREC results using SMART evaluation procedures. Documentation Электронный ресурс . Электрон, дан. - Режим доступаhttp://www-nlpir.nist.gov/projects/tre^
153. Regelson M. Predicting click-through rate using keyword clusters / M. Regel-son, D.Fain // Proceedings of the 2nd Workshop on Sponsored Search Auctions. 2006.
154. Richardson M. Predicting clicks: estimating the click-through rate for new ads / M. Richardson, E. Dominowska, R. Ragno // Proceedings of World Wide Web Conference (WWW'07). -2007. pp. 521-529.
155. Rijsbergen C. J. Information Retrieval / C. J. Rijsbergen.- Glasgow: Dept. of Computer Science. University of Glasgow, 1979. 147 p.
156. Saham M. A Web-based Kernel Function for Matching Short Text Snippets / M. Saham, T.Heilman // A Web-based kernel function for matching short text snippets. In: International Workshop on Learning in Web Search (LWS2005). -2005.-pp. 2-9.
157. Saham M. A Web-based Kernel Function for Measuring the Similarity of Short Text Snippets / M. Saham, T.Heilman // Proceedings of the 15th international conference on World Wide Web. Edinburgh, Scotland, 2006. - pp. 377-386.
158. Schwartz B. Google Gets Demographic Targeting, But Didn't They Already Have That? / B. Schwartz Электронный ресурс . Электрон, дан. - Режим доступа : http://searchengineland.com/080124-081305.php
159. Search Marketing Still Dominates Online Advertising Электронный ресурс . — Электрон, дан. Режим доступа: http://www.emarketer.com/Arti-cle.aspx?id=l 005890
160. Seracevic Т. Evaluation of evaluation in Information retrieval / T. Seracevic // Proceedings of the 18th annual international ACM SIGIR conference on Research and development in information retrieval. Seattle, Washington, USA, 1995.-pp. 138-146.
161. Shanahan J. Online advertising using machine learning / J. Shanahan // NATO MMDSS Work shop. Varese, Italy, 2007. - 172 p.
162. Smarty: Why Use Smarty Электронный ресурс . — Электрон, дан. Режим доступа : http://smarty.net/rightforme.php
163. SourceForge.net: phpMorphy Электронный ресурс . Электрон, дан. -Режим доступа: http://sourceforge.net/projects/phpmorphy
164. Sullivan D. Paid Search Advertising: Google AdWords, Yahoo Search Marketing & Microsoft adCenter / D. Sullivan Электронный ресурс . Электрон. дан. — Режим доступа: http://searchenginewatch.com/show-Page.html?page=2167821
165. Thom J. A Comparison of Evaluation Measures Given How Users Perform on Search Tasks / J.Thom, F. Scholer // Proceedings of Twelfth Australasian Document Computing Symposium (ADCS 2007). — Melbourne, Australia, 2007.-pp. 100-103.
166. Tomlin J. An entropy approach to unintrusive targeted advertising on the Web / J. Tomlin // Proc. WWW9 conference. 2000. - pp.767-774.
167. Turney P.D. Coherent Keyphrase Extraction via Web Mining / P.D. Turney // Proceedings of the 18th International Joint Conference on Artificial Intelligence (IJCAI-03). Acapulco, Mexico, 2003. - P. 434-439.
168. Turney P.D. Learning algorithms for keyphrase extraction. Information Retrieval / P.D. Turney // Information Retrieval. 2000. - Vol. 2, No. 4. - pp. 303-336.
169. Tuzhilin A. The Lane's Gifts v. Google Report / A. Tuzhilin Электронный ресурс . Электрон, дан. - Режим доступа: http://googleblog.blogspot.com/ pd£/TuzhilinReport.pdf
170. Walsh J. MSN PPC Advertising Behavioral and Demographic Targeting: Killer App. or Achilles' Heel? / J. Walsh Электронный ресурс . Электрон, дан. - Режим доступа : http://www.building-ecommerce-websites.com/ arti-cles/msn-ppc-advertising-achilles.php
171. Yahoo договорились с Viacom Электронный ресурс . Электрон, дан. -Режим доступа : http://www.e-generator.ru/news/?newsid=8867
172. Yahoo открывает «Панаму» для партнёров Электронный ресурс . -Электрон, дан. режим доступа: http://www.habrahabr.ru/blog/context/ 14179.html
173. Yahoo!: новый подход к интернет-рекламе Электронный ресурс . -Электрон, дан. — Режим доступа : http://www.seonews.ru/news/ .contextadv/2933/
174. Yih W. Finding Advertising Keywords on Web Pages / W. Yih, J. Goodman, V.Carvalho // Proc. WWW '06 conference. — Edinburgh, Scotland, 2006. — pp. 213-222.
175. Yih W. Improving similarity measures for short segments of text / W. Yih, Ch. Meek // Proceedings of the Twenty-Second AAAI Conference on Artificial Intelligence. Vancouver, Canada. AAAI Press, 2007. - pp. 1489-1494.
176. Zend Framework: Documentation Электронный ресурс . Электрон, дан. - Режим доступа: http://tinyurl.com/5caorf
177. Zend Framework: Documentation ZendSearchLucene. Электронный ресурс . - Электрон, дан. - Режим доступа: http://framework.zend.com/ manual/ru/zend.search. lucene.html
178. Zhang W. Query rewriting using active learning / W. Zhang, X.He, B. Rey, R. Jones // SIGIR 2007: Proceedings of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. -Amsterdam, 2007. pp. 853-854.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.