🔍 Поиск готовых работ

🔍 Поиск работ

РАЗРАБОТКА ФОРМАЛЬНО-ЛОГИЧЕСКИХ СРЕДСТВ КЛАСТЕРИЗАЦИИ ПОЛЬЗОВАТЕЛЕЙ ДЛЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ КОНТЕНТОМ WEB-РЕСУРСА

Работа №70679

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы77
Год сдачи2018
Стоимость4800 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
491
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
1 ИССЛЕДОВАНИЕ СИСТЕМ УПРАВЛЕНИЯ КОНТЕНТОМ И
МЕТОДОВ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ 1.1. Обзор систем управления контентом 6
1.2. Исследование подходов реализации функции персонализации.... 18
1.3. Анализ методов кластеризации многомерных данных 24
2 ПРОЕКТИРОВАНИЕ ФОРМАЛЬНЫХ СРЕДСТВ
ФОРМИРОВАНИЯ ГРУПП ПОЛЬЗОВАТЕЛЕЙ САЙТА 37
2.1 Разработка подхода персонализированного управления сайтом... 37
2.2 Систематизация показателей и параметров сегментации интернет-
пользователей 41
2.3 Проектирование структуры модифицированной CMS 48
3 РАЗРАБОТКА АЛГОРИТМА СЕГМЕНТАЦИИ ПОЛЬЗОВАТЕЛЕЙ
ИНТЕРНЕТ-РЕСУРСА 54
3.1 Разработка алгоритма сегментации пользователей ресурса 54
3.2 Разработка алгоритма динамического подбора
персонализированного контента 59
3.3 Обоснование эффективности разработанных средств 62
ЗАКЛЮЧЕНИЕ 66
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

В настоящее время каждая компания, предлагающая к продаже какие- либо товары или услуги, активно использует методы представления и продвижения своего продукта в сети Интернет как минимум при помощи размещения необходимой информации на страницах корпоративного сайта и разработки системы рекламных мероприятий. Самым распространенным способом осуществления продаж в сети является интернет - магазин, содержащий полный категорийный каталог товаров, их развернутое описание, а также формы заказа. Однако любой интернет - продавец может столкнуться с проблемой низкой конверсии сайта ввиду целого ряда причин.
С ростом конкуренции на рынке товаров и услуг становится актуальным вопрос о совершенствовании методов продвижения продукта среди целевой аудитории, а также разработке новых методов представления информации о нем в степени максимально соответствующей ожиданиям и потребностям клиентов. В связи с этим наряду с наиболее популярными инструментами персонализации (e-mail рассылки с персональными предложениями и скидками, показ объявлений контекстной рекламы, отображение баннеров с супер-предложениями и др.) наблюдаются тенденции развития новых подходов, например, персонализации контента сайта путем изменения его дизайна, структуры, способов отображения различных элементов и информации для определенных групп его посетителей [28]. Решение данной задачи влечет за собой серьезные денежные затраты на изучение аудитории сайта как потенциальных клиентов, сегментацию пользователей, подготовку соответствующих материалов контента и программную реализацию алгоритмов его отображения. Все обозначенные подзадачи требуют привлечения нескольких сторонних специалистов - профессиональных маркетологов и программистов, что не всегда возможно для компаний малого и среднего масштаба. Таким образом, научные
исследования в области автоматизации процесса персонализированного управления контентом web-pecypca являются актуальными.
Объектом исследования являются современные системы управления контентом сайта.
Предметом исследования являются средства формирования потребительских групп пользователей.
В связи с этим целью выпускной квалификационной работы является повышение эффективности процесса управления контентом web-pecypca на основе подхода персонализации.
В соответствии с поставленной целью определены следующие задачи исследования:
- исследовать системы управления контентом сайта и методы кластеризации многомерных данных;
- спроектировать формальные средства формирования групп пользователей сайта;
- разработать алгоритм сегментации пользователей web-pecypca.
При выполнении выпускной квалификационной работы были использованы следующие методы исследования: анализ, синтез, сравнение, классификация, формализация и моделирование.
Исследованиями в области персонализации интернет-ресурсов занимаются такие ученые как Царев А.Г., Царева Т.Н., Домрачев В.Г. и Ретинская И.В. [58-64]. В научных трудах этих ученых речь идет о моделях и методах персонализации сайта, исследованиях и сборе пользовательских данных. Методы кластеризации рассматриваются в научных трудах Климовой А.С., БериковаВ.С., Нейского И.М., Буховец А.Г. [19-23, 29-35].
Научную новизна исследования представляют:
- алгоритм кластеризации пользовательских профилей сайта, который не требует определения желаемого количества кластеров и позволяет учитывать изменения в предпочтениях пользователей сайта;
- алгоритм подбора персонализированного контента структурных элементов страницы web-pecypca в зависимости от того, к какому кластеру пользователь может быть отнесен.
Разработанные формально-логическое средства могут иметь непосредственное применение в практической деятельности в области автоматизации процесса персонализированного управления web-ресурсом.
Основным положения, выносимые на защиту выпускной квалификационной работы:
- структура модифицированной CMS;
- алгоритм кластеризации пользовательских профилей сайта;
- алгоритм подбора персонализированного контента.
Основные положения выпускной квалификационной работы опубликованы в 5 научных работах автора.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

Для достижения цели выпускной квалификационной работы были решены все поставленные задачи:
Е Исследованы системы управления контентом сайта и методы кластеризации многомерных данных. Проведенный обзор систем управления контентом показал, что для создания и поддержки работы сайтов компании активно используют как коммерческие CMS, так и системы, находящиеся в открытом доступе. Согласно анализу, все они имеют общий функционал - создание контента сайта, управление контентом, его публикация и управление представлением контента. Также были выявлены общие для всех систем управления контентом структурные элементы - модуль навигации, модуль содержания, модуль контент менеджера, модуль авторизации, файловая система, дизайн-шаблон и стили CSS, а также База данных, где хранится необходимая для работы системы информация.
В ходе исследования методов персонализации интернет-ресурсов было выявлено, что для этого существуют два подхода - основанный на правилах и подход, основанный на алгоритмах. Оба подхода показывают свою эффективность в определенных условиях. Правила лучше работают для узкоспециализированных компаний с небольшим разбросом отличий между клиентами. Алгоритмический же по подход позволяет учитывать большой поток посетителей сайта в сочетании с большим количеством предложений компании.
В результате анализа методов кластеризации различных типов - иерархических и неиерархических (плотностных, статистических, итеративных) - было выявлено, что алгоритмы иерархического типа на начальном этапе требуют указания максимального размера кластера (максимально возможного количества элементов), что нежелательно для задачи разбиения пользователей сайта по группам. Алгоритмы неиерархические итеративные не могут быть использованы в связи с необходимостью указания количества искомых кластеров, медленно работают при анализе больших объемов данных, а также чувствительны к шумам и могут давать недостоверные результаты в связи с этим. Неиерархические статистические алгоритмы также плохо справляются с анализом больших данных. Наиболее подходящими оказались плотностные алгоритмы, которые хорошо работают с большим объемом данных, не требуют указания количества кластеров и их размеров. Главными преимуществами подобных алгоритмов является устойчивость к данным шума и легкость их модификации и комбинирования с другими алгоритмами и процедурами. Таким образом, было принято решение разработке нового алгоритма гиперсегментации пользовательских профилей, на основании модифицированного плотностного алгоритма DBSCAN.
2. Спроектированы формальные средства формирования групп пользователей сайта. Предложен подход персонализированного управления сайтом, направленный на подбор и показ релевантного для разных групп пользователей контента страницы сайта с учетом интересов и потребностей пользователей сайта, а также изменения их предпочтений во времени. Подход предполагает сбор и обработку информации о пользователях, гиперсгментацию пользовательских профилей, разработку
специализированного контента определенных блоков структуры страницы и настройку отображения необходимого содержания для той или иной группы.
В ходе исследования были выявлены источники информации о пользователе, который обращается к сайту - данные из полей заголовка http, данные из web-браузера, дополнительные данные с сайта. Было дано теоретико-множественное описание показателей, по которым могут быть сегментированы пользователи ресурса.
Спроектирована структура новой системы управления контентом сайта, которая позволяет реализовать подход персонализированного управления web-ресурсом благодаря модификации модуля контент менеджера, расширению Базы данных с целью хранения информации о пользователях и вариантов контента структурных блоков страницы ресурса, а также подключению и настройке Базы знаний, необходимой для подбора специального для разных групп пользователей контента
3. Разработан алгоритм сегментации пользователей web-pecypca. Предложенный алгоритм гиперсегментации пользовательских профилей представляет собой комбинацию из модифицированного алгоритма DBSCAN и набора оригинальных процедур. Относительно алгоритмов кластеризации многомерных данных, рассмотренных в ходе исследования, предложенный имеет важные преимущества:
- не требует задания ожидаемого количества кластеров;
- позволяет учитывать изменяющиеся во времени потребности и интересы пользователей.
Разработан алгоритм подбора контента структурных элементов страницы сайта на основании отнесения пользователя к одной из выделенных групп. Предложенный подход сочетает алгоритмический и основанный на правилах способы реализации персонализированного подбора контента сайта под разные категории его посетителей. Причем алгоритмическая часть позволяет определить, каким именно правилом система будет руководствоваться при построении страницы. Для пользователей, которые не могут быть отнесены к уже выявленным группам, предлагается использование правил ближайшего кластера.



1. Aggarwal С.С. Fast Algorithms for Projected Clustering [текст]/ С.C. Aggarwal, С. Procopiuc. - In Proc. ACM SIGMOD Int. Conf, on Management of Data, Philadelphia, PA, 2010. - 12 c.
2. Agrawal, R. Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications [текст]/ R. Agrawal, J. Gehrke, D. Gunopulos, P. Raghavan. - In Proc. ACM SIGMOD Int. Conf, on Management of Data, Seattle, Washington, 2014. - 9 c.
3. Ankerst M. OPTICS: Ordering Points To Identify the Clustering Structure [текст]/ M. Ankerst, Markus M. Breunig, H-P Kriegel, J. Sander.Proc. - ACM S, 2011.-16 c.
4. Brecheisen S. Efficient DensityBased Clustering of Complex Objects [текст]/ S. Brecheisen, H-P. Kriegel, M. Pfeifle, Proc. 4th IEEE International Conference on Data Mining, 2004 -7 c.
5. Date C. J. Databases, Types, and the Relational Model. The Third Manifesto. Addison Wesley; 3th edition [текст]/ C. J. Date, Hugh Darwen. - Addison Wesley, 2014. - 604 c.
6. Demster, A. Maximum Likelihood from Incomplete Data via the EM Algorithm [текст]/А.Р. Demster, N.M. Laird, D.B. Rubin. - JOURNAL OF THE ROYAL STATISTICAL SOCIETY, SERIES B, Vol. 39, No. 1, 2007. - 38 c.
7. Ester, M. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise [текст]/ M. Ester, H.-P. Kriegel, J. Sander, X. Xu. - In Proc. ACM SIGMOD Int. Conf, on Management of Data, Portland, OR, 2010. - 5 c.
8. Ester M. Clustering for Mining in Large Spatial Databases [текст]/ M. Ester, H.-P. Kriegel, J. Sander, X. Xu. - Issue on Data Mining, Kl-Joumal, ScienTec Publishing, 2008. -8 c.
9. Fisher, D.H. Knowledge acquisition via incremental conceptual clustering [текст]/ D.H. Fisher. - Machine Learning 2, 2007. - 33 c.
10. Kailing, K. Density-Connected Subspace Clustering for High-Dimensional Data [текст]/ К. Kailing, H.-P. Kriegel, P. Kroger. - In Proceedings of the 4th SIAM International Conference on Data Mining (SDM), 2014. -7 c.
11. Karypis, G. CHAMELEON: A Hierarchical Clustering Algorithm Using Dynamic Modeling [текст]/ G. Karypis, E.-H. Han, V. Kumar. - Journal Computer Volume 32 Issue 8. IEEE Computer Society Press Los Alamitos, CA, 2010. -9 c.
12. Kaufman L. Clustering by means of Medoids, in Statistical Data Analysis Based on the 1-Norm and Related Methods [текст]/ L. Kaufman, P.J. Rousseeuw, Y. Dodge, 2011. - 416 c.
13. MacQueen J. Some methods for classification and analysis of multivariate observations [текст]/ J. MacQueen. - In Proc. 5th Berkeley Symp. On Math. Statistics and Probability, 2007. -6 c.
14. Nagesh, H. MAFIA: Efficient and Scalable Subspace Clustering for Very Large Data Sets [текст]/ H. Nagesh, S. Goil, A. Choudhary. - Technical Report Number CPDC-TR-9906-019, Center for Parallel and Distributed Computing, Northwestern University, 2009. - 20 c.
15. Ng, R.T. Efficient and Effective Clustering Methods for Spatial Data Mining [текст]/ R.T. Ng, J. Han. - Proc. 20th Int. Conf, on Very Large Data Bases. Morgan Kaufmann Publishers, San Francisco, CA, 2014. — lie.
16. Zhang T. BIRCH: An Efficient Data Clustering Method for Very Large Databases [текст]/ T. Zhang, R. Ramakrishnan, M. Linvy. - In Proc. ACM SIGMOD Int. Conf, on Management of Data. ACM Press, New York, 2016. - 11 c.
17. Бабаев А. Создание сайтов [текст]/ А. Бабаев, H. Евдокимов, М. Бодэ. - Спб.: Питер, 2013. - 304 с.
18. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining [текст]/ А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.Н Холод. - Спб.: БХВ-Петербург, 2004. - 336 с.
19. Бериков, В.С. Современные тенденции в кластерном анализе [текст]/В.С. Бериков, Г.С. Лбов. - Всероссийский конкурсный отбор обзорно¬аналитических статей по приоритетному направлению «Информационно- телекоммуникационные системы», 2008. - 26 с.
20. Буховец А.Г. Аналитические оценки плотности в многомерных классификационных задачах [текст]/ А.Г. Буховец, Т.Я. Бирючинская. - Современные методы теории краевых задач. Материалы Воронежской весенней математической школы. - Воронеж: ВГУ, 2008. - 4 с.
21. Буховец А.Г. Использование систем итеративных функций в решении прикладных задач [текст]/ А.Г. Буховец, Н.В. Москалев, Т.Я. Бирючинская. - Актуальные проблемы прикладной математики, информатики и механики: сборник трудов Международной конференции. - Воронеж: ВГУ, 2010. -5 с.
22. Буховец А.Г. Фрактальный подход в классификационных задачах [текст]/ А.Г. Буховец, Т. Я. Бирючинская. - Экономическое прогнозирование: модели и методы: материалы VIII Международной научно-практической конференции. Воронеж, 12 мая 2012 г. - Воронеж: ВГУ, 2012. - 4 с.
23. Буховец А.Г. Фрактальный подход к анализу данных в моделях многомерной классификации [текст]/ А.Г. Буховец, Т. Я. Бирючинская. - Современная экономика: проблемы и решения, 2011,- №7(19). - И с.
24. Воронцов К.В. Алгоритмы кластеризации и многомерного шкалирования. Курс лекций. К.В. Воронцов. - Москва: МГУ, 2007. — 120 с.
25. Деревицкий А. А. Персонализация продаж. Как найти путь к сердцу каждого клиента [текст]/ А.А. Деревицкий. - Москва: Манн, Иванов и Фербер, 2014 - 321 с.
26. Дюк В. Data Mining. Учебный курс [текст]/ В. Дюк, А. Самойленко. - Спб: Питер,2001. - 386с.
27. Заррелла Д. Интернет-маркетинг по науке. Что, где и когда делать для получения максимального эффекта [текст]/ Д. Заррелла. - Москва: Манн, Иванов и Фербер, 2014 - 192 с.
28. Как новые медиа изменили журналистику. 2012—2016 [текст]/ А. Амзин, А. Галустян, В. Гатов, М. Кастельс, Д. Кульчицкая, Н. Лосева, М. Паркс, С. Паранько, О. Силантьева, Б. ван дер Хаак; под науч. ред. С. Балмаевой и М. Лукиной. — Екатеринбург: Гуманитарный университет, 2016.— 304 с.
29. Климова А.С. Применение методов гибридной кластеризации к анализу нефтяных скважин [текст]/ А.С. Климова, И.З. Батыршин, Н.К. Шайдуллина. - Вестник Казанского технологического университета. - Казань, 2013,-Т. И. -4 с.
30. Нейский И.М. Адаптивная кластеризация на основе дивизимных и итерационных методов [текст]/ И.М. Нейский. - Сборник трудов третьей международной научно-практической конференции «Информационные технологии в образовании, науке и производстве» под редакцией Ю.А. Романенко. - МО.: 2009. - 4 с.
31. Нейский И.М. Докластеризация как способ оптимизации времени анализа исходных данных [текст]/ И.М. Нейский. - Научная школа для молодых ученых «Компьютерная графика и математическое моделирование (Visual Computing)»: тезисы и доклады. - М.: 2009. - 21 с.
32. Нейский И.М. Интеграция дивизимных и итерационных методов для адаптивной кластеризации фактографических данных [текст]/ И.М. Нейский, А.Ю. Филиппович. - Труды конференции «Телематика 2009» -М.: 2009. -3 с.
33. Нейский И.М. Методика адаптивной кластеризации фактографических данных на основе интеграции алгоритмов MST и Fuzzy С- means [текст]/ И.М. Нейский, А.Ю. Филиппович. - Известия высших учебных заведений. Проблемы полиграфии и издательского дела. - М.: Изд-во МГУП, 2009. - №3 - 14 с.
34. Нейский И.М. Сегментация клиентов брокерского обслуживания [текст]/ И.М. Нейский, А.Ю. Филиппович. - Бизнес-аналитика. Вопросы теории и практики. Использование аналитической платформы Deductor в деятельности учебных заведений: сборник материалов межвузовской научно¬практической конференции. - Рязань: Лаборатория баз данных, 2010. - 10 с.
35. Нейский, И.М. Экспериментальные исследования адаптивной кластеризации фактографических данных [текст]/И.М. Нейский. - Материалы научной межвузовской конференции преподавателей, аспирантов, молодых ученых и специалистов «Печатные средства информации в современном обществе (к 80-летию МГУП)». Секция «Электронные средства информации в современном обществе. Сб. тезисы докладов. - М.: 2010. - 4 с.
36. Одден Ли. Продающий контент. Как связать контент-маркетинг, SEO и социальные сети в единую систему [текст]/ Ли Одден. - Москва: Манн, Иванов и Фербер, 2012. - 374 с.
37. Официальный сайт компании 1С-Битрикс [Электронный ресурс] / [б.и.], 2001 - 2018. - режим доступа: https://www.lc-bitrix.ru/, свободный.
38. Официальный сайт компании СЕВ [Электронный ресурс] / [б.и.], 2018. - режим доступа: https://www.cebglobal.com/, свободный.
39. Официальный сайт компании DataLife Engine SoftNews Media Group [Электронный ресурс] / Красноярск: [б.и.], 2001 - 2018. - режим доступа: https://dle-news.ru/, свободный.
40. Официальный сайт компании DATA insight [Электронный ресурс] / Красноярск: [б.и.], 2018. - режим доступа: http://www.datainsight.ru/, свободный.
41. Официальный сайт Drupal на русском языке [Электронный ресурс] / [б.и.], 2018. - режим доступа: https://drupal.ru/, свободный.
42. Официальный сайт компании «iTrack» [Электронный ресурс] /
Москва: [б.и.], 2004 - 2018. - режим доступа:
https://itrack.rU/research/cmsrate/#! cms-overall-tab, свободный.
43. Официальный сайт компании MODX creative freedom [Электронный ресурс] / [б.и.], 2005 - 2018. - режим доступа: https://modx.ru/, свободный.
44. Официальный сайт Joomla! [Электронный ресурс] / [б.и.], 2006 - 2018. - режим доступа: http://joomla.ru/, свободный.
45. Официальный сайт WordPress.org на русском языке [Электронный ресурс] / [б.и.], 2018. - режим доступа: https://ru.wordpress.org/, свободный.
46. Официальный сайт компании YAGLA [Электронный ресурс] / [б.и.], 2014-2018. - режим доступа: https://yagla.ru/, свободный.
47. Официальный сайт компании «Альянс Форест» [Электронный ресурс] / [б.и.], 2010-2018. - режим доступа: http://alforest.ru/, свободный.
48. Райзин Дж. Вэн. Классификация и кластер [текст]/ Дж. Вэн Райзин. - Москва: Мир, 2008. - 390 с.
49. Роуз Р. Управление контент-маркетингом. Практическое руководство по созданию лояльной аудитории для вашего бизнеса [текст]/ Р. Роуз, Д. Пулицци. - Москва: Манн, Иванов и Фербер, 2014. - 229 с.
50. Симчера В.М. Методы многомерного анализа статистических данных [текст]/ В.М. Симчера. - Москва: Финансы и статистика, 2008. - 398 с.
51. Стелзнер М. Контент-маркетинг. Новые методы привлечения клиентов в эпоху Интернета [текст]/ М. Стелзнер. Москва: Манн, Иванов и Фербер, 2012 - 134 с.
52. Тюха А.С. Проектирование базы знаний системы управления
контентом сайта автомагазина на основе персонализации [Электронный ресурс] / А.С. Тюха, Р.Г. Асадуллаев. - международный научно-практический журнал «Теория и практика современной науки». Выпуск № 5(35) (МАЙ, 2018), режим доступа: http://modem-
j .ru/matematika informatika i inzheneriya 5 35 /, свободный.
53. Тюха А.С. Проектирование структуры CMS, реализующей
функцию персонализации контента [Электронный ресурс] / А.С. Тюха, Р.Г. Асадуллаев. - международный научно-практический журнал «Форум молодых ученых». Выпуск № 6(22) (июнь, 2018), режим доступа: http://forum- nauka. ru/_6_22 iyun_2018/, свободный.
54. Тюха А.С. Разработка алгоритма подбора персонализированного
контента сайта [Электронный ресурс] / А.С. Тюха, Р.Г. Асадуллаев. - международное научное издание «Мировая наука». Выпуск № 6(15) (июнь, 2018), режим доступа: http://science-j.com/_6_15 iyun_2018/, свободный.
55. Тюха А.С. Разработка алгоритма гиперсегментации пользователей интернет-ресурса [текст] / А.С. Тюха, Р.Г. Асадуллаев. - научно-методический журнал Academy. Выпуск № 6(33) Том 2, 2018, 9 - 12 с.
56. Тюха А.С. Разработка подхода персонализированного управления
контентом сайта [Электронный ресурс] / А.С. Тюха, Р.Г. Асадуллаев. - международный научно-практический журнал «Теория и практика современной науки». Выпуск № 6(36) (июнь, 2018), режим доступа: http: //modem-j. ru/matematika informatikaiinzheneriy а 6 36_/, свободный.
57. Уиллиамс У. Т. Методы иерархической классификации. Статистические методы для ЭВМ Под ред. М. Б. Малютов. [текст]/ У.Т. Уиллиамс, Д.Н. Ланс. —М.: Наука, 2016. —425 с.
58. Царев А.Г. Исследование однопараметрических индикаторов заинтересованности пользователей веб-сайта [текст]/ А.Г. Царев, Т.Н. Царева. - Инновации в условиях развития информационно-коммуникационных технологий: Материалы научно-практической конференции - М.: МИЭМ, 2009. - 4 с.
59. Царев А.Г. Массовая рекомендательная система для веб-сайтов на основе SAAS-технологии [текст]/ А.Г. Царев. - Труды II международной научно-практической интернет-конференции. Под ред. Г.К. Сафаралиева, А.Н. Андреева, В.А. Казакова. - Пенза: Издательство Пензенского филиала РГУИТП, 2010. -5 с.
60. Царев А.Г. Метод персонализации веб-сайта на основе анализа постоянных и текущих потребностей конечного пользователя. Труды II международной научно-практической интернет-конференции [текст]/ А.Г. Царев. Под ред. Г.К. Сафаралиева, А.Н. Андреева, В.А. Казакова. - Пенза: Издательство Пензенского филиала РГУИТП, 2010. - 6 с.
61. Царев А.Г. Многокритериальная оптимизация в задаче вычисления релевантности страниц веб-сайта. Естественные и технические науки [текст]/ А.Г. Царев. - Естественные и технические науки №4 (48). - Москва: «Издательство «Спутник+», 2010. - 3 с.
62. Царев А.Г. Модель индикатора предпочтений конечного пользователя веб-сайта на основе многокритериальной комплексной оценки альтернатив [текст]/ А.Г. Царев. - Мониторинг. Наука и технологии. №3,2010. -7 с.
63. Царев А.Г. Модель персонализации сайта на основе анализа постоянных потребностей конечного пользователя [текст]/ А.Г. Царев, В.Г. Домрачев, И.В. Ракитянская. - Новые информационные технологии и менеджмент качества. Материалы международной научной конференции/Редкол.: А.Н. Тихонов (пред.) и др.; ФГУ ГНИЙ ИТТ «Информика». - М.: ООО «Арт-Флэш», 2010. - 5 с.
64. Царев А.Г. О сборе пользовательских данных в системе персонализации Интернет-магазина, [текст]/ А.Г. Царев. - Вестник Московского государственного университета леса - Лесной вестник, 2009. - №3(66). - 5 с.

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.