Заключение. 
Профилирование пользователей в сети Интернет

Результатом поэтапнои? реализации данной статьи стал алгоритм совместной фильтрации и интеллектуального анализа, позволяющии? произвести правильныи? отбор пар «пользователь — набор отображаемых данных» путем отсеивания неинтересной или ненужнои? пользователю информации.

Использование данных методов профилирования позволит пользователям сети Интернет тратить меньше времени на просмотр информации и больше на ее практическое применение.

Результаты, достигаемые при реализации данных подходов, позволят повысить эффективность поиска и выдачи информации для каждого пользователя сети Интернет. Данные алгоритмы позволят повысить производительность средств распространения рекламных информационных материалов в Интернет и эффективность рекламного и информационного воздеи? ствия на пользователеи?.

Библиографический список

• 1. Balabanovic, M., Shoham, Y., 1997. FAB: Content-based collaborative recomender.communic. ACM 40, 3, 66−72.
• 2. Berry, M. W., Dumas, S. T., O’Brien, G. W., 1995. Using linear algebra for intelligent information retrieval, SIAM Rewiev, Vol.37, No.4, 573−595.
• 3. Blum, A, Mitchell, T., 1998. combining Labeled and Unlabeled Data with Cotraining, In COLT: Proceedings of the Workshop on Computational Learning Theory, Morgan Kaufmann Publishers.
• 4. Brank, J., Grobelnik, M., Milic-Frayling, N., Mladenic, D. 2002. Feature selection using support vector machines. Proceedings of the 3rd International Conf. on Data Mining Methods and Databases for Engineering, Finance, and Other Fields.
• 5. Brusilovsky, P., Kobsa, A., Vassileva, J. (eds.) 1998. Adaptive Hypertext and Hypermedia, Kluwer Academic Publishers.
• 6. Burke, R., Hammond, K., Kulyukin, V., Lytinen, S., Tomuro, N., Schoenberg, S., 1997. Question Answering from Frequently-Asked Question Files: Experiences with the FAQ Finder System. AI Magazine, 18 (2), pages 57−66.
• 7. Cohen, W., Singer, Y., 1999. Context-sensitive learning methods for text categorization, in ACM Transactions on Information Systems, v17, 171−173.
• 8. Craven, M., Slattery, S. 2001. Relational Learning with Statistical Predicate Invention: Better Models for Hypertext. Machine Learning, 43 (1−2): 97−119.
• 9. Dhillon, I. S., Modha, D. S., 2001. Concept decomposition for large sparse text data using clustering, Machine Learning, Vol.42, No.1, 143−175.
• 10. Duda, R. O., Hart, P. E. and Stork, D. G. 2000. Pattern Classification 2nd edition, Wiley-Interscience 11. Ghani, R., Jones, R., Mladenic, D., Nigam, K., Slattery, S., 2000. Data Mining on Symbolic Knowledge Extracted from the Web, In KDD-2000 Workshop on Text Mining, 2000.
• 12. Hand, D. J., Mannila, H., Smyth, P. 2001) Principles of Data Mining (Adaptive Computation and Machine Learning), MIT Press.
• 13. Hastie, T., Tibshirani, R. and Friedman, J. H. 2001. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, Springer Verlag.
• 14. Markov Z, Larose D. T. Data-mining the Web: uncovering patterns in Web content, structure, and usage, — John Wiley & Sons Inc., 2007 Web, 285−295, 2001.
• 15. Анализ данных и процессов: учеб. пособие /А.А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. — 3-е издание перераб. и доп. — СПб.: БХВ-Петербург, 2009 16. Википедия. TF-IDF. https: // ru. wikipedia.org/wiki/TF-IDF 17. Коллаборативная Фильтрация. Википедия. https: // ru. wikipedia.org/wiki/Коллаборативная_фильтрация 18. Понизовкин Д. М. Построение оптимального графа связей в системах коллаборативной фильтрации (рус.) // «Программные системы: теория и приложения»: журнал. — 2011. — № 4 (8). — С.107−114.