Управление контентом веб-сайта на основе персонализации данных тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Царев, Анатолий Геннадиевич

• Царев, Анатолий Геннадиевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Царев, Анатолий Геннадиевич

ВВЕДЕНИЕ.

1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Введение в персонализацию данных веб-сайта.

1.2. Выделение класса персонифицированных веб-сайтов.

1.3. Классификация систем персонализации сайтов.

1.4. Выделение концептуальных уровней персонализации.

1.5. Объект исследования.

1.6. Модель веб-сайта.

1.1. Выбор подхода к персонализации данных.

1.8. Модель пользователя.

Выводы по главе.

2. РАЗРАБОТКА МОДЕЛИ ПЕРСОНАЛИЗАЦИИ ВЕБ-САЙТА НА ОСНОВЕ КОМБИНИРОВАННОГО ПОДХОДА К ФИЛЬТРАЦИИ

ДАННЫХ.

2.1. Получение множества ссылок, удовлетворяющих постоянные потребности пользователя.

2.1.1. Особенности обработки поисковых профилей.

2.1.2. Требования к алгоритму кластеризации.

2.1.3. Анализ алгоритмов кластеризации.

2.1.4. Алгоритм кластеризации СЬОРЕ.

2.1.5. Кластеризация поисковых профилей на основе алгоритма СЬОРЕ.

2.1.6. Ранжирование поисковых запросов и соответствующих ссылок.

2.1.7. Обобщенная блок-схема алгоритма персонализации с учетом постоянных потребностей конечного пользователя на основе кластеризации поисковых профилей.

2.2. Получение множества ссылок, удовлетворяющих текущие потребности пользователя.

2.2.1. Получение множества ссылок, удовлетворяющих текущие потребности пользователя, на основе похожих поисковых запросов.

2.2.2. Получение множества ссылок, удовлетворяющих текущие потребности пользователя, в случае отсутствия идентичных и похожих поисковых запросов.

2.2.3. Получение множества ссылок, в случае нескольких просмотренных страниц.

2.2.4. Обобщенная блок-схема алгоритма персонализации с учетом текущих потребностей конечного пользователей на основе непросмотренных страниц.

2.3. Перспектива развития разработанной модели персонализации.

Выводы по главе.

3. РАЗРАБОТКА МЕТОДА ОПРЕДЕЛЕНИЯ РЕЛЕВАНТНОСТИ СТРАНИЦ.

3.1. Анализ и классификация индикаторов предпочтений.

3.2. Многокритериальная оптимизация в задаче оценивания релевантности просмотренных страниц.

3.3. Метод определения релевантности страниц на основе индикатора предпочтений.

3.4. Экспериментальная оценка разработанной модели индикатора

МКОПХП.

Выводы по главе.

4. РЕАЛИЗАЦИЯ СИСТЕМЫ ПЕРСОНАЛИЗАЦИИ ДАННЫХ.

4.1. Выбор языков разработки сценариев и системы управления базой данных.

4.2. Особенности функционирования системы персонализации данных веб-сайта.

4.3. Оценка точности разработанной модели персонализации.

4.4. Перспективы развития системы персонализации данных на основе

8аа8-архитектуры.

Выводы по главе.

Введение диссертации (часть автореферата) на тему «Управление контентом веб-сайта на основе персонализации данных»

Актуальность работы. В настоящее время изделия приборостроения широко представлены в сети Интернет. С развитием и распространением Интернета растет количество крупных веб-сайтов (далее веб-сайтов) с большой номенклатурой изделий, высокой функциональностью и сложной структурой навигации. Все это приводит к тому, что пользователям веб-сайтов становится сложнее ориентироваться, находить и осуществлять выбор интересующих изделий и информации о них.

Таким образом, в современных веб-сайтах, посвященных изделиям приборостроения, существует актуальная задача эффективной навигационной поддержки его пользователей. Эту задачу можно решить путем управления контентом веб-сайта на основе персонализации данных.

Под управлением контентом веб-сайта на основе персонализации данных (далее персонализация веб-сайта) понимается автоматическое предоставление конкретному пользователю ссылок на страницы с интересующей (релевантной) его информацией. Системы, предоставляющие такие возможности, относятся к частному случаю персонализации, их также называют рекомендательными сервисами.

Основные предпосылки, определяющие актуальность диссертационного исследования:

• увеличение спроса на изделия приборостроения;

• увеличение номенклатуры изделий приборостроения отечественного и импортного производства;

• рост популярности сети Интернет;

• рост информационной перегруженности веб-сайтов, осуществляющих информационную поддержку конкретного пользователя при выборе изделий приборостроения;

• рост трудовых затрат пользователей на доступ к релевантной информации;

• отсутствие значимых научных работ и исследований по рассматриваемой тематике в сфере приборостроения.

Целью диссертационной работы является разработка метода и модели персонализации веб-сайта изделий приборостроения, способных обеспечить эффективный доступ пользователей к релевантной информации, в том числе в начале сеанса. В работе под эффективностью персонализации, а также эффективностью доступа к релевантной информации понимается точность сформированных системой персонализации рекомендаций.

Задачи исследования. В соответствии с указанной целью в диссертационной работе были поставлены и решены следующие задачи:

• изучение и анализ теоретических и практических разработок в области персонализации веб-сайтов;

• выбор подхода к персонализации с учетом специфики веб-сайтов, обеспечивающих информационную поддержку при выборе изделий приборостроения;

• разработка модели пользователя веб-сайта с учетом его поискового поведения;

• разработка модели персонализации веб-сайта с учетом постоянных и текущих потребностей пользователя;

• разработка метода определения релевантности страниц на основе поведенческих характеристик пользователей;

• разработка архитектуры системы персонализации веб-сайта;

• практическая реализация системы персонализации с помощью выбранных программных и аппаратных средств;

• экспериментальная оценка практической пригодности разработанной системы персонализации.

Объект исследования. В качестве объекта исследования в диссертационной работе рассматривается веб-сайт изделий приборостроения с интегрированной системой персонализации данных.

Предмет исследования. Предметом исследования диссертационной работы является процесс персонализации данных.

Научная новизна. В диссертационной работе получены следующие научные результаты:

1. Разработана модель пользователя веб-сайта с учетом его поискового профиля и интерфейсных взаимодействий.

2. Составлены требования к алгоритму кластеризации поисковых и навигационных профилей пользователей.

3. Проведен сравнительный анализ алгоритмов кластеризации под требования кластеризации поисковых и навигационных профилей. В соответствии с результатами проведенного анализа и предъявленными требованиями наиболее подходящим алгоритмом признан алгоритм СЮРЕ.

4. Выделены ограничения и условия, которые должна учитывать модель персонализации, основанная на анализе поискового трафика.

5. Разработаны модель, метод и алгоритм персонализации, учитывающие постоянные и текущие потребности пользователя, на основе кластеризации поисковых и навигационных профилей. В результате повысилась точность рекомендаций, в том числе в начале сеанса.

6. Разработан метод определения релевантности страниц на основе многокритериальной комплексной оценки поведенческих характеристик пользователей.

7. Разработана архитектура системы персонализации, реализующая предложенные модель персонализации и метод определения релевантности страниц.

Практическая значимость работы. На базе полученных теоретических результатов разработана система персонализации пользователя - специальное программное обеспечение, интегрируемое в веб-сайт с соответствующей программной платформой.

Достоверность полученных научных результатов подтверждается корректностью использования математического аппарата, результатами практических применений и положительными результатами их обсуждения на российских и международных научных конференциях.

Методы исследования. При выполнении диссертационной работы были использованы методы интеллектуального анализа данных, математической статистики и многокритериальной оптимизации.

Реализация и внедрение результатов. Полученные в диссертационной работе результаты внедрены в учебный процесс ГОУ ВПО «МГУЛ», разработанное программное обеспечение интегрировано в веб-сайты таких организаций как ООО «Фирма КРУГ», ООО «Верейский лесокомбинат», ЗАО «Радиотехкомплект», что подтверждается актами и справками об использовании полученных в диссертационной работе научных и практических результатов.

Апробация работы. Основные результаты диссертации докладывались и обсуждались на следующих научных конференциях:

• Ежегодная Научно-техническая конференция профессорско-преподавательского состава и аспирантов МГУ леса, Мытищи, 2004г., 2005г., 2006 г., 2007 г., 2008 г., 2009г, 2011г.;

• Ежегодная научно-практическая конференция «Инновации в условиях развития информационно-коммуникационных технологий», Сочи 2007г., 2009 г.;

• XVI Международная студенческая школа-семинар «Новые информационные технологии», Судак, 2008г.;

• Международная научная конференция «Информационные технологии и телекоммуникации в образовании и науке» (1Т&Т ЕЭ 2010), г. Фетхие (Турция) 2010.

Полученные научные и практические результаты отмечены вторым местом в конкурсе «ГГ-ПРОРЫВ» 2010г. (категория «ГГ-реализация», номинация «Интернет-технологии»).

Публикации. Автором опубликовано пятнадцать работ по теме диссертации [15,39-50,55,56], в том числе пять в журналах, входящих в «Перечень российских рецензируемых научных журналов, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук в редакции 2011 года». Список опубликованных работ приведен на последних страницах автореферата.

Результаты, выносимые на защиту*:

1. Модель персонализации веб-сайта с учетом постоянных и текущих потребностей пользователей на основе кластеризации поисковых и навигационных профилей.

2. Метод определения релевантности страниц на основе многокритериальной комплексной оценки поведенческих характеристик пользователей.

3. Архитектура системы персонализации веб-сайта, реализующая предложенные модель персонализации и метод определения релевантности страниц. При поддерэ/ске Фонда содействию развития МП НТС: гранты рег. Ко01200809974 (2008г.), рег. №01200956775(2009 г.).

Структура и объем диссертации. Работа состоит из введения, четырех глав и заключения. Список литературы включает 57 отечественных и 51 зарубежных источников. Содержит 8 таблиц и 22 рисунка. Объем диссертации -115 страниц, приложение представлено на 5 страницах.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Царев, Анатолий Геннадиевич

Выводы по главе

1. Разработана архитектура системы персонализации веб-сайта, реализующая предложенные модель персонализации и метод определения релевантности страниц.

2. Предложен способ идентификации сеанса пользователя с учетом IP-адреса и СооЫе-идентификатора, который корректно функционирует даже при смене IP-адреса при обращении ко второй странице сеанса.

3. Произведен сбор и статистическая обработка пользовательской информации, формирующей обучающую выборку.

4. Проведена апробация разработанных моделей и алгоритмов, показавшая их эффективность, осуществлена программная реализация системы персонализации на основе клиентских сценариев, выполненных на языке JavaScript, серверных сценариев на языке PHP в связке с системой управления базами данных MySQL.

5. Экспериментальная оценка показала, что точность разработанной модели после просмотра первой страницы оказалась в 12,18 раза выше точности метода персонализации на основе контентного анализа заголовков страниц (в среднем выше в 1,78 раза) и в 3,60 раза выше точности метода персонализации на основе РАМ-кластеризации навигационных профилей (в среднем выше в 1,33 раза).

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные научные и практические результаты:

1. Разработана модель пользователя веб-сайта с учетом его поискового профиля и интерфейсных взаимодействий.

2. Предложен модифицированный подход к совместной фильтрации данных, учитывающий постоянные и текущие потребности пользователя при выборе изделий приборостроения, выраженные через поисковые запросы.

3. Выделены ограничения и условия, которые должна учитывать модель персонализации, основанная на анализе поискового трафика.

4. Составлены требования к алгоритму кластеризации поисковых профилей и произведен сравнительный анализ алгоритмов кластеризации. В соответствии с результатами проведенного анализа и предъявленными требованиями наиболее подходящим алгоритмом для кластеризации поисковых и навигационных профилей признан алгоритм СЬОРЕ.

5. Разработаны модель, метод и алгоритм персонализации, учитывающие постоянные и текущие потребности пользователя, на основе кластеризации поисковых и навигационных профилей. В результате повысилась точность рекомендаций, в том числе вначале сеанса.

6. Разработаны модель и метод определения релевантности страниц на основе многокритериальной комплексной оценки поведенческих характеристик пользователей.

7. Разработана архитектура системы персонализации веб-сайта, реализующая предложенные модель персонализации и метод определения релевантности страниц.

8. Произведен сбор и статистическая обработка пользовательской информации, формирующей обучающую выборку.

9. Проведена апробация разработанных моделей и алгоритмов, показавшая их эффективность, осуществлена программная реализация системы персонализации на основе клиентских сценариев, выполненных на языке JavaScript, серверных сценариев на языке PHP в связке с системой управления базами данных MySQL.

Список литературы диссертационного исследования кандидат технических наук Царев, Анатолий Геннадиевич, 2011 год

1. Аверин Д.В. Опыт классификации электронных изданий // Известия вузов. Проблемы полиграфии и изд. дела. 2000 . № 1. С. 145-148.

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

3. Алгоритмы кластеризации на службе Data Mining. http://www.basegroup.ru/library/analysis/clusterization/datamining/ //10.03.2009

4. Ашманов И.С., Иванов А.А. Продвижение сайта в поисковых системах.-М.: ООО «И.Д. Вильяме», 2007.-304 е.: ил.

5. Батищев Д.И. Поисковые методы оптимального проектирования.// М.: Советское радио. 1975 126 с.

6. Беляков Г.П. и др. Основы системотехники: Учеб. Пособие для вузов/ Г.П. Беляков, В.А. Сарычев, В.А. Сорокин, В.О. Чернышев. Под ред. В.О. Чернышева. Томск: МГП «РАСКО», 1992. 312 с ил.

7. Бунин О. Персонализация сайтов. Мир Internet. -2001. 12. -С. 66-69.

8. Вентцель Е.С, Овчаров Л.А. Теория случайных процессов и ее инженерные приложения. М.: Наука. Гл. ред. физ.-мат. лит. -1991. -384с.

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

10. Выбор метода кластеризации. http://www.market-joumal.com/marketingovyeissledovanija/209.htinl // 10.03.2009

11. Гаек Я., Шидак 3. Теория ранговых критериев, М. :Наука, 1971.- 375 с.

12. Гасов В.М., Цыганенко А.М. Методы и средства подготовки электронных изданий. М.: Изд-во МГУП, 2001.

13. Гуменникова A.B. Адаптивные поисковые алгоритмы для решения сложных задач многокритериальной оптимизации. Диссертационная работа к.т.н.: Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева. Красноярск, 2006. -132с.

14. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А.И. — М.: ДМК Пресс, 2006 312 с. : ил.

15. Емельянов C.B., Ларичев О.И. Многокритериальные методы принятия решений. М.: Знание, 1985. 32 с. (Новое в жизни, науке, технике. Сер. «Математика, кибернетика»; N» 10).

16. Живицкая E.H. «Системный анализ и проектирование» http://victor-safronov.narod.ru/systems-analysis/Iectures/zliivickaya.html

17. Зайцев И.Б., Адаптивные гипермедиа издания, интегрированные в Интернет: Диссертационная работа к.т.н.: 05.13.06. /Московский государственный университет печати. Москва, 2005. — 150 с.

18. 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.

19. Зайцев И.Б. Модифицированный алгоритм «К-ближайших соседей» для совместной фильтрации в адаптивных гипертекстовых системах //

20. Вестник МГУП. Ko5.-U.: МГУП, 2005.-С. 105-112.

21. PHP и другие языки. http://phpm.ru/php/faq.languages.html // 23.02.2009

22. Калинина Э.В., Лапига А.Г. и др. Оптимизация качества. Сложные продукты и процессы. //Москва. Химия. 1989. 256 с.

23. Кейн В.М. Оптимизация систем управления по минимаксному критерию. М.: Наука, 1985.

24. Кластерный анализ морфологических множеств http://www.ecosyn.ru/page0047.html // 14.04.2009

25. Многокритериальные задачи принятия решений. Под ред. Д.М. Гвишиани, С В Емельянова. М.: Машиностроение, 1978.

26. Многокритериальная оптимизация. Математические аспекты. М.:Наука, 1989, с. 116-123.

27. Мур, Джеффри, Уэдерфорд, Лари Р., и др. Экономическое моделирование в Microsoft Excel, 6-е изд.: Пер. с англ. М.: Издательской дом «Вильяме», 2004. - 1024 с.

28. Нейрокомпьютер как основа мыслящих ЭВМ. М.: Наука, 1993. - 237 с.

29. О персонализации веб-сайта. http://www.webmascon.com/ 14.11.2003

30. Обзор методов кластеризации текстовой информации http://www.dialog-21.ru/Archive/2001/volume2/226.htm // 01.03.2009

31. Общая теория статистики: статистическая методология в изучении коммерческой деятельности: Учебник / Под ред. О.Э. Байтной, А.А. Спирина 5-е изд., доп. И перераб. - М.Ж Финансы и статистика, 2005.

32. Паклин Н. «Кластеризация категорийных данных: масштабируемый алгоритм CLOPE».http://www.basegroup.ru/clusterization/clope.htm // 12.04.2009

33. Ретинская И.В. Система оценки качества и выбора программно-аппаратных средств учебного назначения: Диссертационная работа д.т.н.: 05.13.14. /Московский государственный университет леса. Москва, 1997. 342 с.

34. Семенкина О.Э. Поисковые методы синтеза систем управления космическими аппаратами. Дисс. на соиск. уч. ст. канд. техн. наук -Красноярск: Сибирская аэрокосмическая академия, 1995. -185 с.

35. Серов В.А. Генетический алгоритм многокритериальной оптимизации В.А. Серов, Ю.В. Горячев. Проблемы теории и практики в инженерных исследованиях: Сб. научных трудов. М.: Машиностроение, 1999, с. 23-29. 120

36. Статья из The Economist о коллаборативной фильтрации // http://artpragmatica.ru/rs/?uid=l 147 // 08.02.2010

37. Страничные серверы приложений на базе сценариев. http://www.pcmag.ru/issues/subdetail.php7ID-657l&SUB JPAGE=1 // 15.10.2001

38. Томсон Лаура, Люк Веллинг. Разработка web-приложений на PHP и MySQL: Пер. с англ. 2-е изд., испр. - СПб: ООО «ДиаСофтЮП», 2003.

39. Царев А.Г. Выбор подхода к фильтрации информации для системы персонализации интернет-магазина. // Вестник Московского государственного университета леса — Лесной вестник. — 2008. — №4(61).-С. 180-182.

40. Царев А.Г. Интернет-магазин для стоматолога. Медицинский алфавит. Стоматология №3(46). -2005. С. 16-17.

41. Царев А.Г. Исследование интерфейсных взаимодействий пользователей Интернет-магазина. Судак // Новые информационныетехнологии. Тезисы докладов XVI международной студенческой школы-семинара М: МИЭМ, 2008, С. 247-248.

42. Царев А.Г. Многокритериальная оптимизация в задаче вычисления релевантности страниц веб-сайта. // Естественные и технические науки №4 (48). Москва: ООО «Изадтельство «Спутник+», 2010,- с. 298-299. ISSN 1684-2626.

43. Царев А.Г. Модель индикатора предпочтений конечного пользователя веб-сайта на основе многокритериальной комплексной оценки альтернатив. // Мониторинг. Наука и технологии. №3, 2010.-е. 68-69. -ISSN 2076-7358.

44. Царев А.Г. О сборе пользовательских данных в системе персонализации Интернет-магазина. // Вестник Московскогогосударственного университета леса — Лесной вестник. — 2009. -№3(66). С. 141-145.

45. Царев А.Г. Счётчик пользовательских данных для системы персонализадии Интернет-магазина. // Инновации в условиях развития информационно-коммуникационных технологий: Материалы научно-практической конференции М.: МИЭМ, 2007.331-333.

46. Царев А.Г., Шереметьев К.П. Тенденции развития интеллектуальных информационных систем в сети Интернет. //Интеллектуальные технологии в образовании, экономике и управлении -2005: Сборник статей 2 Международной конференции. — Воронеж, 2005. — С. 197198.

47. Царев В .В. Оценка экономической эффективности инвестиций. -СПб.: Питер, 2004. 464 с.

48. Целых A.A., Разработка и исследование методов и алгоритмов для моделирования адаптивных веб-ресурсов на основе нечетких ультраграфов: Диссертационная работа к.т.н.: 05.13.17 / Таганрогский государственный радиотехнический университет, 2005

49. Чубукова И. A. Data Mining. Учебное пособие. М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 382 е.: ил., табл. - (Серия «Основы информационных технологий»),

50. Щедрин А. Основы извлечения знаний из Internet. // Открытыесистемы, #04/2003

51. Шереметьев К.П., Царев А.Г. Использование внешних статистических данных при персонализации сайта. // Вестник Московского государственного университета леса Лесной вестник. — 2006. — №3(45). - С. 172-176.

52. Шереметьев К.П., Царев А.Г. Система персонализации данных для сайтов электронной коммерции. // Вестник Московского государственного университета леса — Лесной вестник. — 2005. — №6(42).-С. 172-175.

53. Экенроде Р.Т., Взвешенные многомерные критерии, книга «Статистическое измерение качественных характеристик» под ред. проф. Е.М. Четыркина. -М.:1970.

54. Adomavicius Gediminas. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6

55. Ansari A., Essegaier S., and Kohli R., "Internet Recommendations Systems," J. Marketing Research, pp. 363-375, Aug. 2000.

56. Average Web Page Size Quintuples Since 2003 web page statistics and survey trends for page size and web objects.http ://www.websiteoptimization. com/ speed/tweak/average-web-page/ // 10.05.2010

57. Balabanovic M. and Shoham Y., "Fab: Content-Based, Collaborative Recommendation," Comm. ACM, vol. 40, no. 3, pp. 66-72,1997.

58. Basu C., Hirsh H., and Cohen W., "Recommendation as Classification: Using Social and Content-Based Information in Recommendation," Recommender Systems. Papers from 1998 Workshop, Technical Report WS-98-08, AAAI Press 1998.

59. Billsus D. and Pazzani M., "A Personal News Agent that Talks,Learns and

60. Explains," Proc. Third Ann. Conf. Autonomous Agents,1999.

61. Billsus D. and Pazzani M., "Learning Collaborative Information Filters," Proc. Int'l Conf. Machine Learning, 1998.

62. 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.

63. Carpenter G.A. and S. Grossberg, 1985. Category Learning and Adaptive Pattern Recognition: a neural network model, in proceedings of third army conference on applied mathematics and computing, ARO Report 86-1, 37-56.

64. Carpenter G.A., Grossberg S. Pattern Recognition by Self-Organizing Neural Networks, Cambridge, MA, MIT Press, 1991.

65. Claypool M., Gokhale A., Miranda T., Murnikov P., Netes D., and Sartin M., "Combining Content-Based and Collaborative Filters in an Online Newspaper," Proc. ACM SIGIR '99 Workshop Recommender Systems: Algorithms and Evaluation, Aug. 1999.

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

67. CondliffM., Lewis D., Madigan D., and Posse C., "Bayesian Mixed-Effects Models for Recommender Systems," Proc. ACMSIGIR '99 Workshop Recommender Systems: Algorithms and Evaluation,Aug. 1999.

68. Defays D., An efficient algorithm for a complete link method, The Computer Journal, 20:346-366, 1977

69. Dunn J.C., A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, Journal of Cybernetics 3; 1973: 32-57.

70. Group-average agglomerative clustering. http://nlp.stanford.edu/lR-book/h1ml/htmledition/group-average-agglomerative-clustering-l.html // 08.02.2009

71. Guha Sudipto, Rastogi R., and Shim K. CURE: A clustering algorithm for large databases. Technical report, Bell Laboratories, Murray Hill, 1997.

72. Guha S., Rastogi R., and Shim K. ROCK: A robust clustering algorithm for categorical attributes. In Proc. ICDE'99, Sydney, Australia 1999.

73. He H., Singh A. Efficient Algorithms for Mining Significant Substructures in Graphs with Quality Guarantees. Department of Computer Science University of California, Santa Barbara, 2004.

74. Hill W., Stead L., Rosenstein M., and Furnas G., "Recommendingand Evaluating Choices in a Virtual Community of Use," Proc.Conf. Human Factors in Computing Systems, 1995.

75. Hofmann, "Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis," Proc. 26th Ann. Int'l ACM SIGIR Conf.,2003.

76. Hofmann, "Probabilistic Latent Semantic Analysis," Proc. 15 th Conf. Uncertainty in Artificial Intelligence, pp. 289-296, 1999.

77. Hubert, Lawrence; Baker, Frank B. Data Analysis by Single-Link and Complete-Link Hierarchical Clustering. Journal of Educational Statistics, 1, 2, 87-111, Sum 76.

78. Kaufman L. and Rousseeuw P. J., Finding Groups in Data, An Itroduction to Cluster Analysis. Brussels, Belgium: John Wiley and Sons, 1990.

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

80. Kohonen T.- (1989/1997/2001), Self-Organizing Maps. Berlin-New York: Springer-Verlag. Firsteditionl989. Secondeditionl997. Thirdextendededition2001.

81. Lang K., "Newsweeder: Learning to Filter Netnews," Proc. 12thlnt'l Conf. Machine Learning, 1995.

82. Linden G., Smith B., and York J., "Amazon.com Recommendations: Item-to-item Collaborative Filtering," IEEE Internet Computing, Jan./Feb. 2003.

83. MacQueen, J.B. Some methods for classification and analysis of multivariate observations. In Proc. 5th Berkeley Symposium on Math. Stat, and Prob., 1967.

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

85. Mooney R.J., Bennett P.N., and Roy L., "Book RecommendingUsing Text Categorization with Extracted Information," Proc. Recommender Systems Papers from 1998 Workshop, Technical Report WS-98-08, 1998.

86. Mooney RJ. and Roy L., "Content-Based Book RecommendingUsing Learning for Text Categorization," Proc. ACM SIGIR '99Workshop Recommender Systems: Algorithms and Evaluation, 1999.

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

88. Pavlov D. and Pennock D., "A Maximum Entropy Approach to Collaborative Filtering in Dynamic, Sparse, High-Dimensional Domains," Proc. 16th Ann. Conf. Neural Information Processing Systems (NIPS '02), 2002.

89. Pazzani M., "A Framework for Collaborative, Content-Based, and Demographic Filtering, Artificial Intelligence Rev., pp. 393-408, Dec.1999.

90. Pazzani and Billsus D., "Learning and Revising User Profiles: The Identification of Interesting Web Sites," Machine Learning, vol. 27, pp. 313-331, 1997.

91. Pennock D.M. and Horvitz E., "Collaborative Filtering by Personality Diagnosis: A Hybrid Memory And Model-Based Approach," Proc. Int'l Joint Conf. Artificial Intelligence Workshop: Machine Learning for Information Filtering, Aug. 1999

92. Resnick P., Iakovou N., Sushak M., Bergstrom P. and Riedl J.,"GroupLens: An Open Architecture for Collaborative Filtering of Netnews," Proc. 1994 Computer Supported Cooperative Work Conf.,1994.

93. Sarwar B., Karypis G., Konstan J., and Riedl J., "Application of Dimensionality Reduction in Recommender Systems-A Case Study," Proc. ACM WebKDD Workshop, 2000.

94. Sarwar B., Karypis G., Konstan J., and Riedl J., "Item-Based Collaborative Filtering Recommendation Algorithms," Proc. lOthlnt'l WWW Conf., 2001.

95. Schein A.I., Popescul A., Ungar L.H., and Pennock D.M. /'Methods and Metrics for Cold-Start Recommendations," Proc. 25th Ann. Int'l ACM SIGIR Conf., 2002.

96. Shahabi Cyrus ,Banaei-Kashani Farnoush . "A Framework for Efficient and Anonymous Web Usage Mining Based on Client-Side Tracking", Department of Computer Science, Integrated Media Systems Center, University of Southern California, USA, 2001.

97. Shardanand U. and Maes P., "Social Information Filtering:Algorithms for Automating 'Word of Mouth'," Proc. Conf. Human Factors in Computing Systems, 1995.

98. Sibson R. SLINK: An optimally efficient algorithm for the single-link cluster method. King's College Research Center, King's College, Cambridge, and Cambridge University Statistical Laboratory.

99. Soboroff and Nicholas C., "Combining Content and Collaborationin Text Filtering," Proc. Int'l Joint Conf. Artificial Intelligence Workshop: Machine1.arning for Information Filtering, Aug. 1999.

100. Strehl A., Ghosh J., Mooney R., Impact of similarity measures on web-page clustering. In Proc. AAAI Workshop on AI for Web Search(2000), 58-64, 2000.

101. Tran T. and Cohen R., "Hybrid Recommender Systems forElectronic Commerce," Proc. Knowledge-Based Electronic Markets,Papers from the AAAI Workshop, Technical Report WS-00-04, AAAI Press, 2000.

102. Yang Y., Guan X., and You J. Clope: A fast and effective clustering algorithm for transactional data. Proc. of ACM SIGKDD Conference, July 2002.

103. Zhang Y., Callan J., and Minka T., "Novelty and Redundancy Detection in Adaptive Filtering," Proc. 25th Ann. Int'l ACM SIGIR Conf., pp. 81-88, 2002.

104. Zhang, T., Ramakrishnan, R., and Livny, M. BIRCH: An efficient data clustering method for very large databases. In Proc SIGMOD'96, Montreal, Canada, 1996.

105. 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.