Заключение

В данной работе проводилось исследование задачи профилирования пользователей, в том числе ипри использование нейронных сетей.

Нейронные сети, зарекомендовавшие себя,(зарекомендовали себя)как мощный алгоритм для классификации изображений, вПоэтому в настоящее времяпоследнее времястали активно использоваться и для других задач машинного обучения.

Использование сверточной нейронной сети для профилирования позволит пользователям сети Интернет тратить меньше времени на просмотр информации и больше на ее практическое применение( обработку).

Представленный(один или много?)алгоритмы определения профиля пользователя, основанные на векторной и семантической репрезентации текста с использованием сверточной нейронной сети, являются абсолютно новыми методами классификации пользователей.При этомЭэффективность работы алгоритма с семантической репрезентациией гораздо выше, чем при использовании векторной, . Оба этих методано они обаработают гораздо эффективнее стандартного метода классификацииBagofWords&TFIDFдля обычных нейронных сетей, т.к. используютсвоей основесверточные нейронные сети всвоей основе. Этобылодостигнуто благодаря использованию преимущества сверточных нейронных сетейсо всеми их преимуществамипо сравнению с полносвязными нейронными сетями.А также( Нмаловажно илиДостигнуто ???? или достижения в том, что) в алгоритме семантической репрезентации эффективность выше по сравнению с алгоритмом векторной репрезентации. (Это связано)в связис использованием кластеризации по алгоритмуk-meansи получению не деградирующего при выполнении логических операций вектора всего текста или документа.

Таким образом, анализируя просмотренные пользователем данные, мыможем( появилась возможность ???) спрогнозировать и предложить пользователю наиболее (необходимую)интереснуюдля него информацию благодаря правильному кодированию интересующих пользователя слов.

( В результате стало возможным)Результаты, достигаемые при реализации данных подходов, позволят:

• повысить эффективность поиска (оптимизация обработки) и (получения ) выдачиинформации для каждого пользователя сети Интернет. (Это стало возможным )благодаря предварительной обработке его предпочтений и предыдущих поисковых запросов;

• повысить производительность средств распространения рекламных информационных материалов в сети Интернет и эффективность рекламного и информационного воздействия на пользователей с помощью точного определения желаний пользователя на основе его профиля;

• могут быть использованы в качестве методов для борьбы со спамом, а точнее его распознавании при проверке получаемых писем с помощью определения тематики и стиля их написания. Ведь многие спам-письма используют одинаковые шаблоны;

• улучшить фильтрацию документов как по автору, поднимаемой теме в тексте, так и по художественному стилю или стилистике написания предложений;

• добавить персонализацию информации при автоматическом переводе текстов, выявление смысловых намеков в переводимом тексте и добавлении стилистических и языковых особенностей пользователя-переводчика, тем самым облегчая труд и адаптацию машинного перевода;

• помочь в навигации по большим информационным ресурсам со сложной структурой, благодаря разделению сайта по темам (кластерам) со схожим смыслом;

• улучшить индексацию поисковых запросов, используя подбор предложений по аналогичным запросом из смежных синонимичных тем;

• повысить точность автоматического аннотирования и реферирования текстов, так как при использовании алгоритма тема текста будет определяться гораздо точнее и при этом будут указываться поднимаемые еще в данном документе темы, а также предлагаться смежные темы к уже указанным;

• и др.

Таким образом, сфера возможного применения результатов научного исследования весьма широка, что показывает высокую ценность проделанной работы.