_Enterprise_Content_Management
. — 05.03.2017.
42. ECM (Enterprise Content Management) [Электронный ресурс]. — Электрон. дан. — [Б. м.] :
IBM, 2017. — Режим доступа: https://www.ibm.com/analytics/us/en/technology/enterprise- content-management/
. — 05.03.2017.
135 43. Mark R. Gilbert, Karen M. Shegda, Kenneth Chin, Gavin Tay, Hanns Koehler-Kruener. Magic
Quadrant for Enterprise Content Management [Электронный ресурс]. — Электрон. дан. — [Б. м.] : Gartner, 2014. — Режим доступа: http://www.gartner.com/technology/reprints.do?id=1-
22RDH82&ct=141003&st=sb
. — 28.11.2014.
44. Karen A. Hobert, Gavin Tay, Joe Mariano. Magic Quadrant for Enterprise Content Management
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : Gartner, 2016. — Режим доступа: https://www.gartner.com/doc/reprints?id=1-3L09I3B&ct=161031&st=sg
. — 05.03.2017.
45. Управление корпоративным контентом [Электронный ресурс]. — Электрон. дан. — [Б. м.] :
IBM, 2017. — Режим доступа: http://www-03.ibm.com/software/products/ru/category/enterprise- content-management
. — 05.03.2017.
46. Content analytics and enterprise search (IBM Watson Content Analytics 3.5.0) [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2017. — Режим доступа:. https://www.ibm.com/support/knowledgecenter/en/SS5RWK_3.5.0/com.ibm.discovery.es.nav.doc/
iiysaovca.htm
. — 05.03.2017.
47. Планирование eDiscovery (SharePoint Server 2010) [Электронный ресурс]. — Электрон. дан.
— [Б. м.] : Microsoft, 2016. — Режим доступа: http://technet.microsoft.com/ru- ru/library/ff453933(v=office.14).aspx
. — 05.03.2017.
48. EMC Kazeon File Intelligence [Электронный ресурс]. — Электрон. дан. — [Б. м.] : EMC, 2017.
— Режим доступа: https://www.emc.com/content-management/emc-kazeon-file-intelligence.htm
— 05.03.2017.
49. OpenText eDiscovery Early Case Assessment by Recommind [Электронный ресурс]. —
Электрон. дан. и прогр. — [Б. м.] : OpenText, 2017. — Режим доступа: http://www.opentext.com/what-we-do/products/discovery/ediscovery/opentext-ediscovery-early- case-assessment-by-recommind
. — 05.03.2017.
50. eDiscovery Analyzer [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2017. — Режим доступа: http://www-03.ibm.com/software/products/ru/edisanal
. — 05.03.2017.
51. Desktop Data Collector [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : IBM, 2017.
— Режим доступа: http://www-03.ibm.com/software/products/ru/desktop-data-collector
. —
05.03.2017.
52. Auto-Classification [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : OpenText,
2017.
— Режим доступа: http://www.opentext.com/what-we-do/products/discovery/auto- classification
. — 05.03.2017.
53. EMC File Intelligence: How to understand and secure your content [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
EMC,
2012.
—
Режим доступа:
136 https://www.emc.com/collateral/software/15-min-guide/h9774-15min-guide-understand-secure- content-gde.pdf
. — 05.03.2017.
54. Content Classification [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : IBM, 2017.
— Режим доступа: http://www-03.ibm.com/software/products/en/content-classification
. —
05.03.2017.
55. Component overview (Content Classification 8.8.0) [Электронный ресурс]. — Электрон. дан. —
[Б. м.]
:
IBM,
2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/SSBRAM_8.8.0/com.ibm.classify.admin.doc/c_A
G_about_rme.htm
. — 05.03.2017.
56. Using the Taxonomy Proposer to discover new categories (Content Classification 8.8.0)
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2017. — Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SSBRAM_8.8.0/com.ibm.classify.workbench.d oc/c_WBG_Taxonomy_Proposer.htm
. — 05.03.2017.
57. Component overview (IBM Watson Content Analytics 3.5.0) [Электронный ресурс]. — Электрон. дан.
—
[Б. м.]
:
IBM,
2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SS5RWK_3.5.0/com.ibm.discovery.es.nav.doc/
iiysaovcomp.htm
. — 05.03.2017.
58. Open, scalable analytics pipeline (IBM Watson Content Analytics 3.5.0) [Электронный ресурс].
—
Электрон. дан.
—
[Б. м.]
:
IBM,
2017.
—
Режим доступа: http://www.ibm.com/support/knowledgecenter/SS5RWK_3.5.0/com.ibm.discovery.es.nav.doc/iiys aovcapipe.htm
. — 05.03.2017.
59. Configuring sentiment analysis for content analytics collections (IBM Watson Content Analytics
3.5.0) [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2017. — Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SS5RWK_3.5.0/com.ibm.discovery.es.ad.doc/ii ysatasentiment.htm
. — 05.03.2017.
60. Выявление и использование практической терминологии с помощью IBM Watson Content
Analytics [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2015. — Режим доступа: https://www.ibm.com/developerworks/ru/library/ba-watson-dictionary/ba-watson-dictionary- pdf.pdf
. — 05.03.2017.
61. Analyzing content with the content analytics miner [Электронный ресурс]. — Электрон. дан. —
[Б. м.]
:
IBM,
2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SS5RWK_3.5.0/com.ibm.discovery.es.tm.doc/i iysctaskscont.htm
. — 05.03.2017.
137 62. Zhu W. D. J. et al. IBM Watson Content Analytics: Discovering Actionable Insight from Your
Content [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM Redbooks, 2014. — Режим доступа: https://www.redbooks.ibm.com/redbooks/pdfs/sg247877.pdf
. — 05.03.2017.
63. Take tours of the content analytics miner [Электронный ресурс]. — Электрон. дан. — [Б. м.] :
IBM,
2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SS8NLW_11.0.1/com.ibm.discovery.es.tm.doc/
iiyscviewlet.htm
. — 05.03.2017.
64. Integration with IBM Content Analytics with Enterprise Search [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
IBM,
2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/SSBRAM_8.8.0/com.ibm.classify.admin.doc/c_A
G_ICA.htm
. — 05.03.2017.
65. eDiscovery Analyzer overview [Электронный ресурс]. — Электрон. дан. — [Б. м.] : IBM, 2017.
—
Режим доступа: https://www.ibm.com/support/knowledgecenter/en/SSJKLP_2.2.2/com.ibm.eda.doc/edaao000.htm.
— 05.03.2017 66. Ouellet E. Magic Quadrant for Content-Aware Data Loss Prevention // Gartner report. — [Б. м.] :
Gartner, 12 December 2013. — № G00253215.
67. Reed B., Wynne N. Magic Quadrant for Enterprise Data Loss Prevention // Gartner report. —
[Б. м.] : Gartner, 28 January 2016. — № G00277564.
68. Machine Learning Sets New Standard for Data Loss Prevention: Describe, Fingerprint, Learn. White
Paper: Data Loss Prevention [Электронный ресурс]. — Электрон. дан. — [Б. м.] : Symantec,
2010.
— Режим доступа: http://eval.symantec.com/mktginfo/enterprise/white_papers/b- dlp_machine_learning.WP_en-us.pdf
. — 05.03.2017.
69. Запатентованные технологии лингвистического анализа информационных потоков
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : InfoWatch, 2017. — Режим доступа: http://www.infowatch.ru/technologies/linguistic_analysis
. — 05.03.2017.
70. InfoWatch Endpoint Security Insight Edition [Электронный ресурс]. — Электрон. дан. — [Б. м.]
:
InfoWatch,
2017.
—
Режим доступа: http://www.infowatch.ru/products/endpoint_security/features. — 05.03.2017 71. Forcepoint DLP and Forcepoint DLP Endpoint [Электронный ресурс]. — Электрон. дан. — [Б. м.]
:
Forcepoint,
2017.
—
Режим доступа: https://www.forcepoint.com/sites/default/files/resources/files/brochure_forcepoint_dlp_en.pdf
. —
05.03.2017.
138 72. Как управлять рисками утечки критичных данных [Электронный ресурс]. — Электрон. дан.
— [Б. м.] : CNews, 2016. — Режим доступа: http://www.cnews.ru/articles/2016-01-
27_kak_upravlyat_riskami_utechki_kritichnyh_dannyh
. — 05.03.2017.
73. Manning C. D. et al. Introduction to information retrieval. — Cambridge: Cambridge university press, 2008. — Т. 1. — С. 496.
74. The 20 Newsgroups data set [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2008. — Режим доступа: http://people.csail.mit.edu/jrennie/20Newsgroups/
.— 05.03.2017.
75. Cavnar W. B. Using an n-gram-based document representation with a vector processing retrieval model // NIST Special Publication 500-225: Overview of the Third Text REtrieval Conference
(TREC-3). — DIANE Publishing Company, 1995. — С. 269-278.
76. Chisholm E., Kolda T. G. New term weighting formulas for the vector space method in information retrieval // Computer Science and Mathematics Division, Oak Ridge National Laboratory. — 1999.
77. Landauer T. K., Dumais S. T. A solution to Plato's problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge // Psychological review. — 1997. — Т. 104.
— № 2. — С. 211.
78. Kuang D., Choo J., Park H. Nonnegative Matrix Factorization for Interactive Topic Modeling and
Document Clustering // Partitional Clustering Algorithms. — Springer International Publishing,
2015. — С. 215-243.
79. Blei D. M., Ng A. Y., Jordan M. I. Latent dirichlet allocation //Journal of machine Learning research.
— 2003. — Т. 3. — С. 993-1022.
80. Mirzal A. Converged algorithms for orthogonal nonnegative matrix factorizations [Электронный ресурс]. — Электрон. дан. — [Б. м.] : arXiv Computing Research Repository, 2011. — № 1010.5290v2. — С. 1-55. — Режим доступа: https://arxiv.org/pdf/1010.5290.pdf
.— 05.03.2017.
81. Choo J. et al. Utopian: User-driven topic modeling based on interactive nonnegative matrix factorization // IEEE transactions on visualization and computer graphics. — 2013. — Т. 19. —
№ 12. – С. 1992-2001.
82. Lee D. D., Seung H. S. Learning the parts of objects by non-negative matrix factorization // Nature.
— 1999. — Т. 401. — № 6755. — С. 788-791.
83. Xu W., Liu X., Gong Y. Document clustering based on non-negative matrix factorization //
Proceedings of the 26th annual international ACM SIGIR conference on Research and development in information retrieval. — ACM, 2003. — С. 267-273.
84. Gong Y., Liu X. Generic text summarization using relevance measure and latent semantic analysis
// Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval. — ACM, 2001. — С. 19-25.
139 85. Steinberger J., Ježek K. Text summarization and singular value decomposition // Advances in
Information Systems. — Springer Berlin Heidelberg, 2005. — С. 245-254.
86. Lee J. H. et al. Automatic generic document summarization based on non-negative matrix factorization // Information Processing & Management. — 2009. — Т. 45. — № 1. — С. 20-34.
87. Park S. Personalized summarization agent using non-negative matrix factorization //PRICAI 2008:
Trends in Artificial Intelligence. — Springer Berlin Heidelberg, 2008. — С. 1034-1038.
88. Park S. et al. Multi-document summarization using weighted similarity between topic and clustering- based non-negative semantic feature // Advances in Data and Web Management. — Springer Berlin
Heidelberg, 2007. — С. 108-115.
89. Ding C. et al. Orthogonal nonnegative matrix t-factorizations for clustering // Proceedings of the
12th ACM SIGKDD international conference on Knowledge discovery and data mining. — ACM,
2006. — С. 126-135.
90. Yoo J., Choi S. Orthogonal nonnegative matrix factorization: Multiplicative updates on Stiefel manifolds // International Conference on Intelligent Data Engineering and Automated Learning. —
Springer Berlin Heidelberg, 2008. — С. 140-147.
91. Ježek K., Steinberger J. Automatic text summarization (the state of the art 2007 and new challenges)
// Proceedings of Znalosti. — 2008. — С. 1-12.
92. Lin C. Y. Looking for a few good metrics: Automatic summarization evaluation—how many samples are enough // Proceedings of the NTCIR Workshop. — 2004. — Т. 4.
93. ROUGE: Recall-Oriented Understudy of Gisting Evaluation [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2007. — Режим доступа: http://www.berouge.com/
. — 22.10.2016.
94. Кривая ошибок (Receiver Operating Characteristic, ROC curve) [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
2013.
—
Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=ROC-кривая
. — 05.03.2017.
95. R: Анализ и визуализация данных. Базовые графические возможности R: диаграммы размахов
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2011. — Режим доступа: http://r- analytics.blogspot.ru/2011/11/r_08.html
. — 05.03.2017.
96. Schclar A., Rokach L., Abramson A., et al. User authentication based on representative users // IEEE
Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. — IEEE, 2012.
— Т. 42. — № 6. — С. 1669-1678.
97. Gascon H., Uellenbeck S., Wolf C., et al. Continuous authentication on mobile devices by analysis of typing motion behavior // Proc. of GI Conference "Sicherheit". — Bonn: Kollen Druck+Verlag
GmbH, 2014. — С. 1-12.
140 98. Song Y., Ben Salem M., Hershkop S., et al. System level user behavior biometrics using Fisher features and Gaussian mixture models // Security and Privacy Workshops (SPW). — Washington:
IEEE, 2013. — C. 52-59.
99. Enron Email Dataset [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2015. — Режим доступа: http://www.cs.cmu.edu/./enron/
. — 05.03.2017.
100.
Berry M. W. et al. Algorithms and applications for approximate nonnegative matrix factorization // Computational statistics & data analysis. — 2007. — Т. 52. — № 1. — С. 155-173.
101.
Workshop on Link Analysis, Counterterrorism and Security [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
2005.
—
Режим доступа: http://research.cs.queensu.ca/home/skill/proceedings/
. — 05.03.2017.
102.
Natural Language Toolkit (NLTK) [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017.
— Режим доступа: http://www.nltk.org
. — 05.03.2017.
103.
Временной ряд (Time Series) [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017. —
Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=Временной_ряд
—
05.03.2017.
104.
Технический справочник по алгоритму временных рядов (Майкрософт)
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : Microsoft, 2017. — Режим доступа: http://msdn.microsoft.com/ru-ru/library/bb677216.aspx
. — 05.03.2017.
105.
Интегрированная модель авторегрессии — скользящего среднего (ARIMA)
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017. — Режим доступа: http://university.prognoz.ru/biu/ru/Интегрированная_модель_авторегрессии_–
_скользящего_среднего_%28ARIMA%29
. — 05.03.2017.
106.
Meek C., Chickering D. M., Heckerman D. Autoregressive tree models for time-series analysis
// Proceedings of the 2002 SIAM International Conference on Data Mining. — Society for Industrial and Applied Mathematics, 2002. — С. 229-244.
107.
Авторегрессия [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017. — Режим доступа: http://university.prognoz.ru/biu/ru/Авторегрессия
. — 05.03.2017.
108.
Простое скользящее среднее [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017. —
Режим доступа: http://university.prognoz.ru/biu/ru/Простое_скользящее_среднее
—
05.03.2017.
109.
Авторегрессионная модель скользящего среднего (ARMA) [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
2017.
—
Режим доступа: http://university.prognoz.ru/biu/ru/Авторегрессионная_модель_скользящего_среднего_%28AR
MA%29
. — 05.03.2017.
141 110.
Авторегрессионное скользящее среднее [Электронный ресурс]. — Электрон. дан. —
[Б. м.]
:
2017.
—
Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=Авторегрессионное_скользящее_среднее
— 05.03.2017.
111.
Авторегрессионное интегрированное скользящее среднее [Электронный ресурс]. —
Электрон. дан.
—
[Б. м.]
:
2017.
—
Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=Autoregressive_Integrated_Moving_Average
— 05.03.2017.
112.
Hastie T., Tibshirani R., Sherlock G., Eisen M., Brown P., Botstein D. Imputing Missing
Data for Gene Expression Arrays // Technical report. — Stanford Statistics Department, 1999.
113.
Troyanskaya O. et al. Missing value estimation methods for DNA microarrays // Bioinformatics.
— 2001. — Т. 17. — №. 6. — С. 520-525.
114.
Метод наименьших квадратов
[Электронный ресурс].
—
Электрон. дан.
—
[Б. м.]
:
2012.
—
Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=Метод_наименьших_квадратов
—
05.03.2017.
115.
New EDRM Enron Email Data Set [Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2017.
— Режим доступа: http://www.edrm.net/resources/data-sets/edrm-enron-email-data-set
. —
05.03.2017.
116. readpst - convert PST (MS Outlook Personal Folders) files to mbox and other formats
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2010. — Режим доступа: http://manpages.ubuntu.com/manpages/trusty/man1/readpst.1.html
. — 05.03.2017.
117. pdftotext - Portable Document Format (PDF) to text converter [Электронный ресурс].
—
Электрон. дан.
—
[Б. м.]
:
2010.
—
Режим доступа: http://manpages.ubuntu.com/manpages/xenial/man1/pdftotext.1.html
. — 05.03.2017.
118. catdoc - reads MS-Word file and puts its content as plain text on standard output
[Электронный ресурс]. — Электрон. дан. — [Б. м.] : 2010. — Режим доступа: http://manpages.ubuntu.com/manpages/zesty/man1/catdoc.1.html
. — 05.03.2017.
119.
Li Y., Zhang B., Cao Y., et al. Study on the BeiHang keystroke dynamics database // Intern. Joint
Conf. Biometrics (IJCB). — Washington: IEEE, 2011. — С. 1-5.
120.
Bailey K. Computer based behavioral biometric authentication via multi-modal fusion. — Ohio:
Air Force Institute of Technology, 2013.
121.
Mikolov T. et al. Efficient estimation of word representations in vector space // arXiv preprint arXiv:1301.3781. — 2013.
142 122.
Mikolov T. et al. Distributed representations of words and phrases and their compositionality //
Advances in neural information processing systems. — 2013. — С. 3111-3119.
123.
Таненбаум Э. и др. Распределенные системы. Принципы и парадигмы. — СПб.: Питер,
2003.
124.
Distributed Component Object Model [Электронный ресурс]. — Электрон. дан. и прогр. —
[Б. м.] : 2017. — Режим доступа: https://technet.microsoft.com/en-us/library/cc958799.aspx
. —
05.03.2017.
125.
Python for Windows Extensions [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.]
: 2017. — Режим доступа: http://starship.python.net/skippy/win32/
. — 05.03.2017.
126.
Построение IFilter для поиска SharePoint 2010 и Windows Search с помощью C++, ATL и
MFC [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017. — Режим доступа: https://msdn.microsoft.com/ru- ru/library/office/hh694268(v=office.14).aspx#odc_sp14_ta_HowToBuildAnIFilter_Introduction
— 05.03.2017.
127.
Eigen is a C++ template library for linear algebra [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017. — Режим доступа: http://eigen.tuxfamily.org/index.php?title=Main_Page
— 05.03.2017.
128.
Filtering IRPs and Fast I/O [Электронный ресурс]. — Электрон. дан. — [Б. м.] : Microsoft,
2016. — Режим доступа: https://msdn.microsoft.com/windows/hardware/drivers/ifs/filtering-irps- and-fast-i-o
. — 05.03.2017.
129.
IRPs Are Different From Fast I/O [Электронный ресурс]. — Электрон. дан. — [Б. м.] :
Microsoft,
2016.
—
Режим доступа: https://msdn.microsoft.com/windows/hardware/drivers/ifs/irps-are-different-from-fast-i-o
—
05.03.2017.
130.
Filter Manager Concepts [Электронный ресурс]. — Электрон. дан. — [Б. м.] : Microsoft,
2016. — Режим доступа: https://msdn.microsoft.com/windows/hardware/drivers/ifs/filter- manager-concepts
. — 05.03.2017.
131.
Communication Between User Mode and Kernel Mode [Электронный ресурс]. — Электрон. дан.
—
[Б. м.]
:
Microsoft,
2016.
—
Режим доступа: https://msdn.microsoft.com/windows/hardware/drivers/ifs/communication-between-user-mode- and-kernel-mode
. — 05.03.2017.
132.
GNU zip compression utility [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] :
2017. — Режим доступа: http://www.gzip.org/
. — 05.03.2017.
133.
OpenSSL [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017. — Режим доступа: http://www.openssl.org/
. — 05.03.2017.
143 134.
FILE_OBJECT structure [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017.
—
Режим доступа: https://msdn.microsoft.com/en- us/library/windows/hardware/ff545834(v=vs.85).aspx
. — 05.03.2017.
135.
Outlook Solutions [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017. —
Режим доступа: https://msdn.microsoft.com/en-us/library/bb386094.aspx
. — 05.03.2017.
136.
Browser Helper Objects: The Browser the Way You Want It [Электронный ресурс]. —
Электрон. дан. и прогр. — [Б. м.] : 2017. — Режим доступа: https://msdn.microsoft.com/en- us/library/bb250436(v=vs.85).aspx
. — 05.03.2017.
137.
Оснастки MMC [Электронный ресурс]. — Электрон. дан. и прогр. — [Б. м.] : 2017. —
Режим доступа: https://technet.microsoft.com/ru-ru/library/cc749356.aspx
. — 05.03.2017.
|
Скачать 4.32 Mb.