Заключение. 
Методы подготовки персонализированного контента

Персонализация сегодня является быстрорастущим и перспективным направлением для решения задач определения потребностей пользователя. Благодаря техническому прогрессу и высокой скорости вычислений современных компьютеров возможно использование самых сложных алгоритмов для таргетирования контента по данным о пользователях необходимостям и потребностям с использованием теории нечетких множеств и нейронных сетей.

Однако, огромные возможности механизма персонализации породили такое явление, как персональная навязчивая реклама. Производители порой увлекаются, делая, как им кажется, эффективную рекламную кампанию, они используют эту мощную технологию без ограничений. Зачастую это приводит к нарушению личного пространства пользователей, некорректной работе анализирующих алгоритмов и потере потенциально заинтересованных посетителей сайтов.

Таким образом, несмотря на то, что в основе персонализации лежит множество сложных алгоритмов, технология по-прежнему требует непосредственного человеческого вмешательства.

Список литературы

• 1. Агрегация контента. Прошлое, настоящее, будущее // Хабрахабр [Электронный ресурс]. Режим доступа: habrahabr.ru/post/156 837 (2012).
• 2. Персонализация и сегментирование // Web Аналитик [Электронный ресурс]. — Режим доступа: www. sem-complexs.ru/service/individual-conversion-plan/personalizaciya-i-segmentirovanie/ (2014).
• 3. Персонализация контента // Web-Content [Электронный ресурс]. — Режим доступа: www. web-content.com.ua/publications.html?id=107 (2011).
• 4. 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.
• 5. Мандель И. Д. Кластерный анализ. — М.: Финансы и статистика, 2009. — 176 с.
• 6. Yang Y. CLOPE: A fast and Effective Clustering Algorithm for Transactional Data In Proc of SIGKDD'02 / Y. Yang, H. Guan, J. You // July 23−26, — Edmonton, Alberta, Canada, 2002.
• 7. Далингер В. А. Элементы теории нечетких множеств на элективном курсе в классах экономического профиля // Современные наукоемкие технологии. — 2014. — № 10. — С. 121−123.
• 8. Джонс М. Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312 с.
• 9. Терехов В. А. Нейросетевые системы управления. — М: Высшая школа, 2002. — 183 с.